1 环境

Python 3.8.8
PyCharm 2021
opencv-python

2 效果

3 原理

视频图像中的目标检测与跟踪，是计算机视觉的基础课题，同时具有广泛的应用价值。视觉目标(单目标)跟踪任务就是在给定某视频序列初始帧的目标大小与位置的情况下，预测后续帧中该目标的大小与位置。依照目标与摄像头之间的关系可分为两种场景的目标追踪：

静态场景：目标检测相对简单，研究渐趋成熟。
动态场景：相对复杂，当前研究领域的热点。

本文只介绍静态场景的目标追踪，动态的在后序文章中会分享。

在静态场景中，背景是静止的，则我们可以通过背景减除(Background Subtraction)来进行预处理。例如，考虑像访客柜台这样的情况，其中静态摄像机(监控)拍摄进入或离开房间的访客数量，或者交通摄像机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员或车辆. 从技术上讲，需要从静态背景中提取移动的前景。那么我们可以通过帧差法来计算像素差从而获取到前景对象。

如果只有背景图像，例如没有访客的房间图像，没有车辆的道路图像等，这很容易。只需从背景中减去新图像。就可以单独获得前景对象。但在大多数情况下，可能没有这样的图像，因此我们需要从我们拥有的任何图像中提取背景。当有车辆的影子时，情况变得更加复杂。由于阴影也在移动，简单的减法也会将其标记为前景。它使事情复杂化。

高斯混合模型分离算法(MOG)算法在一定程度上可解决上述问题，2001年，由P.KadewTraKuPong和R.Bowden在论文 “An improved adaptive background mixture model for real-time tracking with shadow detection” 中提出。MOG2算法，也是高斯混合模型分离算法，是MOG的改进算法。基于2004年发布的 “Improved adaptive Gausian mixture model for background subtraction” 和2006年发布的 “Efficient Adaptive Density Estimation per Image Pixel for the Task of Background Subtraction” 两篇文章提出。该算法的一个重要特征是它为每个像素选择适当数量的高斯分布，它可以更好地适应不同场景的照明变化等。可以大家会有疑问，就是为什么一个像素也可以构成高斯分布呢，这里其实是因为我们的视频会持续一段时间，这样每个像素在每个时刻 t\boldsymbol{t}t 都有对应的状态。因此上述的每个像素指的是一个像素在不同时刻 t\boldsymbol{t}t 的状态。MOG算法的基本思路是基本思路：将图像分为3-5个高斯模型。如果一个像素点与任何一个高斯模型的均值 μ\boldsymbol{\mu}μ 的之差大于其3倍的标准差 σ\boldsymbol{\sigma}σ，则为前景即运动物体，否则则是背景。算法流程如下：

初始各种参数。
使用过去 T 帧图像构造模型。
对于一个新来的像素，如果该像素点的值与其模型均值 μ\boldsymbol{\mu}μ 之差在 3∗σ\boldsymbol{3*\sigma}3∗σ 内，则属于该分布，并对其进行参数更新。
如果不满足该高斯模型，重新建立一个新的高斯模型。

4 代码

使用 cv2.createBackgroundSubtractorMOG2(history = 500, varThreshold = 16, detectShadows = true) 初始化一个MOG2模型，该函数的参数如下：

history：用于训练背景的帧数，默认为500帧。
varThreshold：方差阈值，用于判断当前像素是前景还是背景。一般默认16，如果光照变化明显，如阳光下的水面，建议设为25，36。
detectShadows：是否检测影子，设为True为检测，False为不检测，检测影子会增加程序时间复杂度，如无特殊要求，建议设为False。

使用 cv2.getStructuringElement(cv.MORPH_ELLIPSE, (3, 3)) 初始化形态学需要的卷积核 kernel，等效成 np.ones((3, 3), np.uint8) 。

使用 cv2.VideoCapture(video_path) 创建一个视频读取对象capture，capture.read() 进行捕捉画面，返回值如下：

ret：布尔值，表示是否正确捕捉到图像帧。
frame：图像帧。

使用 cv2.morphologyEx(fgmask, cv.MORPH_OPEN, kernel) 进行形态学处理，这是因为MOG2检测出的前景中有许多白点(如下图)，所以使用开操作对白点进行腐蚀。

使用 cv2.imshow() 展示图片，使用 cv2.waitkey(10) & 0xff == 'q' 来延长放映的时间。

代码如下：

import cv2 as cvdef tracking_by_bg_substract() :model = cv.createBackgroundSubtractorMOG2()kernel = cv.getStructuringElement(cv.MORPH_ELLIPSE, (3, 3))capture = cv.VideoCapture('videos/static_bg_people.avi')while capture.isOpened() :ret, frame = capture.read()if ret :#对图像帧进行MOG2算法检测fgmask = model.apply(frame)fgmask = cv.morphologyEx(fgmask, cv.MORPH_OPEN, kernel)cv.imshow('frame', frame)cv.imshow('fgmask', fgmask)if cv.waitKey(10) & 0xff == ord('q') :breakelse :breakcapture.release()cv.destroyAllWindows()if __name__ == '__main__':tracking_by_bg_substract()

效果如下，效果还不错。

【Opencv】目标追踪——高斯混合模型分离算法(MOG)相关推荐

机器学习教程之 EM算法：高斯混合模型聚类算法 (python基于《统计学习方法》实现，附数据集和代码)
之前写过一篇博客讲述极大似然方法, 这一方法通常适用于知道观测数据 Y Y Y,求解模型参数 θ \theta θ的场合,即 P ( Y ∣ θ ) P(Y|\theta) P(Y∣θ). 但是,在更 ...
oepncv 移动目标追踪，背景消除法，MOG，KNN
本章内容 * 移动目标跟踪 * 1.MOG背景消除法 * 2.KNN背景消除法输出结果: 源码: #include <opencv2/opencv.hpp> ...
基于opencv的BackgroundSubtractorMOG2和BackgroundSubtractorKNN通过背景减除来实现目标追踪
背景减除(Background Subtraction)是许多基于计算机视觉的任务中的主要预处理步骤.如果我们有完整的静止的背景帧,那么我们可以通过帧差法来计算像素差从而获取到前景对象.但是在大多数情 ...
目标追踪-背景差算法
mog2 算法 MOG2算法,也是高斯混合模型分离算法,是MOG的改进,算法的重要特征是:为每个像素选择适当数量的高斯分布,可以更好地适应不同场景的照明变化等.高斯分布其实就是正态分布,(Normal ...
数字图像处理拓展题目——利用Matlab实现动态目标检测二帧差法、ViBe法、高斯混合模型法，可应用于学生递东西行为检测
1.二帧差法实现动态目标检测先上效果图: 利用GUI界面显示出来效果图为: 实现流程 1.利用matlab中的VideoReader函数读取视频流. 2.帧差法:获得视频帧数,用for循环对图像每相 ...
11- OpenCV进行目标追踪 (OpenCV系列) (机器视觉)
知识要点 1. OpenCV目标跟踪算法的使用大概可以分为以下几个步骤: 创建MultiTracker对象: trackers = cv2.legacy.MultiTracker_create() ...
【数据挖掘】高斯混合模型 ( 与 K-Means 每个步骤对比 | 初始参数设置 | 计算概率 | 计算平均值参数 | 计算方差参数 | 计算高斯分布概率参数 | 算法终止条件 )
文章目录 I . 高斯混合模型 ( 样本 -> 模型 ) II . 高斯混合模型 ( 模型 -> 样本 ) III . 高斯混合模型与 K-Means 迭代过程对比 IV . 高斯混合模 ...
高斯混合模型聚类算法和K-Means聚类算法
高斯混合模型聚类算法概念:混合高斯模型就是指对样本的概率密度分布进行估计,而估计的模型是几个高斯模型加权之和(具体是几个要在模型训练前建立好).每个高斯模型就代表了一个类(一个Cluster).对样 ...

【Opencv】目标追踪——高斯混合模型分离算法(MOG)

文章目录

1 环境

2 效果

3 原理

4 代码

【Opencv】目标追踪——高斯混合模型分离算法(MOG)相关推荐

最新文章

热门文章