前景背景分离方法(二)高斯混合模型法GMM(Gaussian Mixture Model)

int main()
{VideoCapture capture("D:/videos/shadow/use3.MPG");if( !capture.isOpened() ){cout<<"读取视频失败"<<endl;return -1;}//获取整个帧数long totalFrameNumber = capture.get(CV_CAP_PROP_FRAME_COUNT);cout<<"整个视频共"<<totalFrameNumber<<"帧"<<endl;//设置开始帧()long frameToStart = 200;capture.set( CV_CAP_PROP_POS_FRAMES,frameToStart);cout<<"从第"<<frameToStart<<"帧开始读"<<endl;//设置结束帧int frameToStop = 650;if(frameToStop < frameToStart){cout<<"结束帧小于开始帧，程序错误，即将退出！"<<endl;return -1;}else{cout<<"结束帧为：第"<<frameToStop<<"帧"<<endl;}double rate = capture.get(CV_CAP_PROP_FPS);int delay = 1000/rate;Mat frame;//前景图片Mat foreground;//使用默认参数调用混合高斯模型BackgroundSubtractorMOG mog;bool stop(false);//currentFrame是在循环体中控制读取到指定的帧后循环结束的变量long currentFrame = frameToStart;while( !stop ){if( !capture.read(frame) ){cout<<"从视频中读取图像失败或者读完整个视频"<<endl;return -2;}cvtColor(frame,frame,CV_RGB2GRAY);imshow("输入视频",frame);//参数为：输入图像、输出图像、学习速率mog(frame,foreground,0.01);imshow("前景",foreground);//按ESC键退出，按其他键会停止在当前帧int c = waitKey(delay);if ( (char)c == 27 || currentFrame >= frameToStop){stop = true;}if ( c >= 0){waitKey(0);}currentFrame++;}waitKey(0);
}

//  基于混合高斯模型的运动目标检测
//  Author： http://blog.csdn.net/icvpr  #include <iostream>
#include <string>#include <opencv2/opencv.hpp>int main(int argc, char** argv)
{std::string videoFile = "../test.avi";cv::VideoCapture capture;capture.open(videoFile);if (!capture.isOpened()){std::cout<<"read video failure"<<std::endl;return -1;}cv::BackgroundSubtractorMOG2 mog;cv::Mat foreground;cv::Mat background;cv::Mat frame;long frameNo = 0;while (capture.read(frame)){++frameNo;std::cout<<frameNo<<std::endl;// 运动前景检测，并更新背景mog(frame, foreground, 0.001);       // 腐蚀cv::erode(foreground, foreground, cv::Mat());// 膨胀cv::dilate(foreground, foreground, cv::Mat());mog.getBackgroundImage(background);   // 返回当前背景图像cv::imshow("video", foreground);cv::imshow("background", background);if (cv::waitKey(25) > 0){break;}}return 0;
}

前景背景分离方法(二)高斯混合模型法GMM(Gaussian Mixture Model)相关推荐

GMM(Gaussian mixture model, 高斯混合模型)
GMM全称是Gaussian mixture model (高斯混合模型).与k-means算法类似,GMM也是一种常见的聚类算法,它与k-means区别主要在于,GMM是一种"软聚类&qu ...
高斯混合模型聚类_GMM: Gaussian Mixed Model（高斯混合模型）
0. 简介 GMM和Kmeans一样也属于聚类,其算法训练流程也十分相似,Kmeans可认为是"硬聚类",GMM是"软聚类". 给定数据集X,Kmeans算法流 ...
高斯混合模型--GMM（Gaussian Mixture Model）
参考:http://blog.sina.com.cn/s/blog_54d460e40101ec00.html 概率指事件随机发生的机率,对于均匀分布函数,概率密度等于一段区间(事件的取值范围)的概率 ...
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 ...
【OCR】图像预处理-文字背景分离方法
1. 摘要在OCR处理文档时,经常会遇到自然拍照场景中由于光照强度不一.拍摄角度不同.相机成像元件差异,因此会导致拍摄的图片与扫描文档存在较大区别.为使文档文字内容更加鲜明,便于后续特征提取,本文目 ...
高斯混合模型（GMM）源代码实现（二）
第一篇(https://blog.csdn.net/To_be_to_thought/article/details/90759715)讲了原理推导,网上有很多讲解原理的很少有实现的.Talk is ...
【机器学习笔记11】高斯混合模型（GMM）【上篇】原理与推导
文章目录推荐阅读前言高斯混合模型简介 GMM与K-mean 高斯混合模型的概率密度函数几何角度混合模型角度可能会弄混的地方隐变量的分布与隐变量的后验概率分布极大似然估计 EM算法求近似 ...
高斯混合模型Gaussian Mixture Model (GMM)——通过增加 Model 的个数，我们可以任意地逼近任何连续的概率密分布...
从几何上讲,单高斯分布模型在二维空间应该近似于椭圆,在三维空间上近似于椭球.遗憾的是在很多分类问题中,属于同一类别的样本点并不满足"椭圆"分布的特性.这就引入了高斯混合模型.--可 ...
高斯-赛得尔迭代式 c++_高斯混合模型(Gaussian Mixture Model)与EM算法原理(一)
高斯混合模型(Gaussian Mixture Model)是机器学习中一种常用的聚类算法,本文介绍了其原理,并推导了其参数估计的过程.主要参考Christopher M. Bishop的<Pa ...

前景背景分离方法(二)高斯混合模型法GMM(Gaussian Mixture Model)

前景背景分离方法(二)高斯混合模型法GMM(Gaussian Mixture Model)相关推荐

最新文章

热门文章