使用Python，OpenCV从静态背景中提取移动前景

1. 效果图
2. 原理
3. 源码
参考

这篇博客将介绍OpenCV中的背景减法方法——即从静态背景中提取移动前景。在许多基于视觉的应用中，背景减法是一个主要的预处理步骤。

例如考虑像访客柜台这样的情况，其中静态摄像头记录进出房间的访客数量，或者交通摄像头提取有关车辆的信息等。在所有这些情况下，首先需要单独提取人或车辆。从技术上讲需要从静态背景中提取移动前景。

OpenCV3.0开始提供了1、2、3个方法，OpenCV4.0后减少了1、3方法，增加了4，只支持2、4俩个方法：cv2.createBackgroundSubtractorMOG2()、cv2.createBackgroundSubtractorKNN();

BackgroundSubtractorMOG
BackgroundSubtractorMOG2
BackgroundSubtractorGMG
BackgroundSubtractorKNN

1. 效果图

以OpenCV 4.1. 2.30为例

效果图分4块，分别为法2 不检测阴影 VS 检测阴影 VS 法4 不检测阴影 VS 检测阴影：

可以看出不检测阴影与检测阴影，基本无差别；
KNN检测到的背景要比MOG检测到的阴影更清晰一些

噪音少一些，效果图2如下：

2. 原理

OpenCV3.0开始提供了1、2、3个方法，OpenCV4.0后减少了1、3方法，增加了4，只支持2、4；

1. BackgroundSubtractorMOG

它是一种基于高斯混合的背景/前景分割算法。它使用一种方法通过混合 K 高斯分布对每个背景像素进行建模（ K = 3 到 5）。混合物的权重表示这些颜色留在场景中的时间比例。可能的背景颜色是那些保持更长时间和更静态的颜色。

首先使用函数 cv2.createBackgroundSubtractorMOG() 创建一个背景对象。它有一些可选参数，如历史长度、高斯混合数、阈值等。它们都设置为一些默认值。然后在视频循环中，使用 backgroundsubtractor.apply() 方法获取前景蒙版。

2. BackgroundSubtractorMOG2

它也是一种基于高斯混合的背景/前景分割算法。该算法的一个重要特点是它为每个像素选择适当数量的高斯分布。由于光照变化等，它可以更好地适应不同的场景。

首先使用函数 cv2.createBackgroundSubtractorMOG2() 创建一个背景减法器对象，可以选择是否检测阴影（默认为false，设置detectShadows = True），它会检测并标记阴影，但会降低速度。阴影将以灰色标记。

3. BackgroundSubtractorGMG

该算法结合了统计背景图像估计和逐像素贝叶斯分割。它使用前几个（默认120）帧进行背景建模。它采用概率前景分割算法，使用贝叶斯推理识别可能的前景对象。估计是自适应的；较新的观察比旧的观察具有更大的权重以适应可变照明。完成了几个形态过滤操作，如关闭和打开，以去除不需要的噪声。在前几帧中，您将看到一个黑色窗口。最好对结果应用形态学开运算以去除噪声。

4. BackgroundSubtractorKNN

3. 源码

# 背景减法
import numpy as np
import cv2cap = cv2.VideoCapture('images/slow_traffic_small.mp4')# 1. BackgroundSubtractorMOG2, 3. BackgroundSubtractorGMG OpenCV4不支持；
# 2. BackgroundSubtractorMOG2
# 4. BackgroundSubtractorKNN
fgbg = cv2.createBackgroundSubtractorMOG2()
fgbg_shadow = cv2.createBackgroundSubtractorMOG2(detectShadows=True)
fgbgKnn = cv2.createBackgroundSubtractorKNN()
fgbgKnn_shadow = cv2.createBackgroundSubtractorKNN(detectShadows=True)while (1):ret, frame = cap.read()if not ret:breakfgmask = fgbg.apply(frame)fgmask_shadow = fgbg_shadow.apply(frame)fgmaskKnn = fgbgKnn.apply(frame)fgmaskKnn_shadow = fgbgKnn_shadow.apply(frame)cv2.imshow('frame VS frame_shadow \n frameKnn VS frameKnn_shadow',np.vstack([np.hstack([fgmask, fgmask_shadow]), np.hstack([fgmaskKnn, fgmaskKnn_shadow])]))cv2.waitKey(0)k = cv2.waitKey(30) & 0xffif k == 27:breakcap.release()
cv2.destroyAllWindows()

参考

https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_video/py_bg_subtraction/py_bg_subtraction.html#py-background-subtraction