詳解opencv去除背景算法的方法比較
最近做opencv項目時,使用膚色分割的方法檢測目標物體時,背景帶來的幹擾非常讓人頭痛。於是先將背景分割出去,將影響降低甚至消除。由於初次接觸opencv,敘述不當的地方還請指正。
背景減除法
(以下文字原文來源於https://docs.opencv.org/3.4.7/d8/d38/tutorial_bgsegm_bg_subtraction.html)
背景減除法是很多基於視覺的應用的一個主要預處理步驟。例如使用一個靜止的攝像頭拍攝進出房間的人數,或是交通攝像頭捕獲車輛信息等。在以上的例子中,首先你需要單獨把人和交通工具提取出來。從技術上來說,你需要從靜止的背景中提取移動前景目標。
通常情況下,我們的背景往往是未知的,因此需要通過一定的方法得到視頻背景,然後用新的圖像減去背景圖片即可。
在opencv中提供瞭幾種背景減除的方法:
(1)BackgroundSubtractorMOG
這是基於高斯混合模型的算法,混合模型表示瞭觀測數據在總體中的概率分佈,高斯分佈即正態分佈,正態分佈如下圖:
(圖片來源於網絡)
而高斯混合模型就是使用高斯分佈的混合模型,由於高斯分佈具有良好的數學性質和計算性能,它的概率分佈遵循高斯分佈。
cv2.bgsegm.createBackgroundSubtractorMOG()使用時可以不用傳入參數
import cv2 cap = cv2.VideoCapture(0) fgbg = cv2.bgsegm.createBackgroundSubtractorMOG() se = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) while cap.isOpened(): ret, frame = cap.read() # 用於計算前景掩模 fgmask = fgbg.apply(frame) _, binary = cv2.threshold(fgmask, 215, 255, cv2.THRESH_BINARY) binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, se) res = cv2.bitwise_and(frame, frame, mask=binary) cv2.imshow("res", res) if cv2.waitKey(1000 // 12) & 0xff == ord('q'): break cap.release() cv2.destroyAllWindows()
運行結果:
(2)BackgroundSubtractorMOG2
它是改進的高斯混合模型,為各個參數設置瞭一些合適的值。
import cv2 cap = cv2.VideoCapture(0) fgbg = cv2.createBackgroundSubtractorMOG2() se = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) while cap.isOpened(): ret, frame = cap.read() fgmask = fgbg.apply(frame) _, binary = cv2.threshold(fgmask, 215, 255, cv2.THRESH_BINARY) binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, se) backImage = fgbg.getBackgroundImage() res = cv2.bitwise_and(frame, frame, mask=binary) cv2.imshow("backImage", backImage) cv2.imshow("res", res) if cv2.waitKey(1000 // 12) & 0xff == ord('q'): break cap.release() cv2.destroyAllWindows()
運行結果:
(3)BackgroundSubtractorGMG
GMG:Geometric Multigid,幾何多重網格。它默認使用前120幀圖像進行建模,使用貝葉斯推斷方法判斷可能的前景物體。
import cv2 cap = cv2.VideoCapture(0) fgbg = cv2.bgsegm.createBackgroundSubtractorGMG() se = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) while cap.isOpened(): ret, frame = cap.read() fgmask = fgbg.apply(frame) _, binary = cv2.threshold(fgmask, 215, 255, cv2.THRESH_BINARY) binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, se) res = cv2.bitwise_and(frame, frame, mask=binary) cv2.imshow("res", res) if cv2.waitKey(1000 // 12) & 0xff == ord('q'): break cap.release() cv2.destroyAllWindows()
運行結果:
以上這三種方法對於檢測運動物體行之有效,但如果檢測靜態物體就不適合瞭。
幀差法
在可以確定背景時采用幀差法,此方法不僅可以用於動態目標檢測,也能檢測靜態目標。
幀差法需要一個變量來檢測當前是第幾幀。即通過後面的幀減去第一幀得到所需前景。
import cv2 cap = cv2.VideoCapture(0) frameNum = 0 while cap.isOpened(): ret, frame = cap.read() frameNum += 1 tmp = frame.copy() if frameNum == 1: bgFrame = cv2.cvtColor(tmp, cv2.COLOR_BGR2GRAY) elif frameNum > 1: foreFrame = cv2.cvtColor(tmp, cv2.COLOR_BGR2GRAY) foreFrame = cv2.absdiff(foreFrame, bgFrame) _, thresh = cv2.threshold(foreFrame, 30, 255, cv2.THRESH_BINARY) gaussian = cv2.GaussianBlur(thresh, (3, 3), 0) cv2.imshow('gaussian', foreFrame) if cv2.waitKey(1000 // 12) & 0xff == ord('q'): break cap.release() cv2.destroyAllWindows()
運行結果:
上述除瞭使用濾波的方法,也可以直接用cv2.subtract()進行圖像減法運算。
到此這篇關於詳解opencv去除背景算法的方法比較的文章就介紹到這瞭,更多相關opencv去除背景算法內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- python 使用OpenCV進行簡單的人像分割與合成
- python通過opencv調用攝像頭操作實例分析
- Python如何利用opencv實現手勢識別
- Python opencv操作深入詳解
- Python OpenCV讀取視頻報錯的問題解決