背景减除算法之K-Nearest(KNN)和Mixture of Gaussians(MOG2)

Python版本：3.5.2，Opencv版本：3.2.0，网上安装教程很多，在此不再赘述
MOG2算法，即高斯混合模型分离算法，是MOG的改进算法。它基于Z.Zivkovic发布的两篇论文，即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”中提出。
KNN算法，即K-nearest neigbours - based Background/Foreground Segmentation Algorithm。2006年，由Zoran Zivkovic 和Ferdinand van der Heijden在论文”Efficient adaptive density estimation per image pixel for the task of background subtraction.”中提出。
下面介绍两种算法的具体实现，实验中所用到的视频为CASIA步态数据库，用以上两种算法分别提取步态轮廓图像
步态视频已上传到百度云，步态视频，提取密码：9mt0

（一）MOG2算法实现

import numpy as np
import cv2cap=cv2.VideoCapture('D:\gait-vedio\gait.avi')
#混合高斯，对每一帧的环境进行学习，常用来对不同帧进行比较，并存储以前的帧，可按时间推移的方法提高运动分析的结果。
fgbg=cv2.createBackgroundSubtractorMOG2() while(1):#默认第一帧为背景图片ret,frame=cap.read()fgmask=fgbg.apply(frame)cv2.imshow('frame',fgmask)k=cv2.waitKey(30)&0xff
#按'q'键退出循环if k== ord('q'):break
cap.release()
cv2.destroyAllWindows()

实验结果，

（一）KNN算法实现
采用KNN实现视频图像的背景分割算法，并且保存每一帧图像（与视频文件在相同的文件夹）

import cv2#视频文件路径
datapath = "D:/test1gait/"
bs = cv2.createBackgroundSubtractorKNN(detectShadows = False)#背景减除器，设置阴影检测
#训练帧数
history=20
bs.setHistory(history)
frames=0
camera = cv2.VideoCapture(datapath + "gait2.avi")
count = 0while True:ret, frame = camera.read()#返回元组  ret=True/False,代表是否读取到了图片if ret==True:
#计算前景掩码，包含 前景的白色值 以及 阴影的灰色值fgmask = bs.apply(frame)if frames < history:frames += 1continue
#读取每一帧print('Read a new frame: ', ret)
#对原始帧进行膨胀去噪，
#前景区域二值化，将非白色（0-244）的非前景区域（包含背景以及阴影）均设为0，前景的白色（244-255）设置为255th = cv2.threshold(fgmask.copy(), 244, 255, cv2.THRESH_BINARY)[1]
#前景区域形态学处理th = cv2.erode(th, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,3)), iterations = 2)dilated = cv2.dilate(th, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (8,3)), iterations = 2)
#绘制前景图像的检测框image, contours, hier = cv2.findContours(dilated, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)for c in contours:
#对轮廓设置最小区域，对检测结果降噪if cv2.contourArea(c) > 1000:#获取矩形框边界坐标(x,y,w,h) = cv2.boundingRect(c)cv2.rectangle(frame, (x,y), (x+w, y+h), (255, 255, 0), 2)cv2.imwrite("frame%d.jpg" % count, fgmask)#保存处理后的每一帧图片，JPEG格式的图片#显示cv2.imshow("mog", fgmask)cv2.imshow("thresh", th)cv2.imshow("diff", frame & cv2.cvtColor(fgmask, cv2.COLOR_GRAY2BGR))cv2.imshow("detection", frame)count += 1if cv2.waitKey(100) & 0xFF == ord('q'):breakelse:break
camera.release()
cv2.destroyAllWindows()

实验结果：

背景减除算法之K-Nearest(KNN)和Mixture of Gaussians(MOG2)相关推荐

机器学习之深入理解K最近邻分类算法（K Nearest Neighbor）
[机器学习]<机器学习实战>读书笔记及代码:第2章 - k-近邻算法 1.初识 K最近邻分类算法(K Nearest Neighbor)是著名的模式识别统计学方法,在机器学习分类算法中占有 ...
kNN算法(k近邻算法，k Nearest Neighbor)
主要内容: 1.认识kNN算法 2.kNN算法原理 3.应用举例 4.kNN改进方法 1.认识knn算法 "看一个人怎么样,看他身边的朋友什么样就知道了",kNN算法即寻找最近的K ...
【机器学习经典算法】K近邻(KNN)：核心与总结
文章目录 1. 初识K近邻 2. 相知 2.1 K近邻三要素 2.2 KD树 2.2.1 kd树的构建 2.2.2 kd树的搜索 3. 总结 1. 初识K近邻 K-近邻(K-Nearest Neigh ...
【计算机视觉】基于自组织背景减除的运动目标检测算法
本文根据M. Lucia等人的论文"A self-Organizing approach to background subtraction for visual surveillance ...
基于自组织背景减除的运动目标检测算法
本文根据M. Lucia等人的论文"A self-Organizing approach to background subtraction for visual surveillance ...
背景减除(Background Segment)
原文:https://blog.csdn.net/Anderson_Y/article/details/82082095 背景减除(Background Segment) 写在前面 1. 高斯背景建模 ...
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 ...
[转载]背景减除法综述
原文地址:背景减除法综述作者:高大鹏文献[1]和专利[2]描述了一种算法叫VIBE,将在后面详述. 背景差分图像解决问题的方法是:通过用现在的图像去对比已知的观察图像(背景图像),该观察图像不含有 ...
K NEAREST NEIGHBOR 算法(knn)
K Nearest Neighbor算法又叫KNN算法,这个算法是机器学习里面一个比较经典的算法, 总体来说KNN算法是相对比较容易理解的算法.其中的K表示最接近自己的K个数据样本.KNN算法和K-M ...

背景减除算法之K-Nearest(KNN)和Mixture of Gaussians(MOG2)

（一）MOG2算法实现

背景减除算法之K-Nearest(KNN)和Mixture of Gaussians(MOG2)相关推荐

最新文章

热门文章