目标识别与追踪计算机视觉项目实战-背景建模与光流估计( 二 ) _高斯混合模型

取视频中T帧数据图像用来训练高斯混合模型。来了第一个像素之后用它来当做第一个高斯分布。
我们取得不是一帧图像，而是多帧，一般我们取值在200帧左右，第一帧的第一个像素点取完之后呢，然后我们取第二帧的第一个像素点，得到像素值是105，然后计算一下105-100=5
当后面来的像素值时，与前面已有的高斯的均值比较，如果该像素点的值与其模型均值差在3倍的方差内，则属于该分布，并对其进行参数更新。
如果下一次来的像素不满足当前高斯分布，用它来创建一个新的高斯分布。
当第三帧图像来的时候，像素值假如是180，那么180-105=75>3*5，那么我们这个时候就要创建一个分布。
一般来说，我们创建的分布设定在3-5个就OK！
对于混合高斯模型来说，他有一个学习更新的过程。所以他要比帧差法要强很多。
在测试阶段，对于新来的像素点的数值，混合高斯模型中的每一个均值比较，如果差值在二倍的方差之间的话就可以认为他是一个背景，否则认为是前景。将前景赋值为255，背景赋值为0 。这样就形成了一副前景二值图。
??混合高斯模型背景建模实战

文章插图
首先我们来看了一下官方标准案例。他是做了一个摄像头下的人物走动的视频，然后使用混合高斯模型进行背景建模。我们来看一下代码。
这里导入第三方库。
import numpy as npimport cv2
然后将视频导入，建立一个卷积核，并且创建混合高斯模型用于背景建模。

cap = cv2.VideoCapture('test.avi')#形态学操作需要使用kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))#创建混合高斯模型用于背景建模fgbg = cv2.createBackgroundSubtractorMOG2()

cv2.t这个函数的第一个参数表示内核的形状。共有三种。
矩形：;交叉形：;椭圆形：;
mog = cv2.(,,false);这个函数来说。
：用于训练背景的帧数，默认帧数为500帧，如果不动手设置,就被用于计算当前的, 此时越大，越小，背景更新越慢；:方差阈值，用于判断当前像素是前景还是背景。一般默认为16，如果光照变化明显，如阳光下的水面，建议设为25，值越大灵敏度越低。：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，一般设置为false；
然后mog->apply(, , 0.005);
image 源图fmask 前景（二值图像）学习速率，值为0-1,为0时背景不更新，为1时逐帧更新，默认为-1，即算法自动更新；
然后进入循环

while(True):ret, frame = cap.read()fgmask = fgbg.apply(frame)#形态学开运算去噪点fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel)#寻找视频中的轮廓contours, hierarchy = cv2.findContours(fgmask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

首先我们先来ret, frame = cap.read()用于摄像头或视频文件中，捕获帧信息。返回的两个值分别是：
然后利用cv2.(, cv2., 开运算。
在进行膨胀操作的时候我们介绍到了这个：
1.图像被腐蚀后，去除了噪声，但是会压缩图像。
2.对腐蚀过的图像，进行膨胀处理，可以去除噪声，并保持原有形状。
*开运算(image)=膨胀(腐蚀(image))*
开运算就是先把图像进行腐蚀操作，然后进行膨胀操作的一个过程！
如果我们对于有噪声的图像单独的进行腐蚀操作，就会对图像进行压缩，如果我们想要恢复到原始图像就要进行相同程度上的膨胀，这个操作我们就成为开运算。

目标识别与追踪 计算机视觉项目实战-背景建模与光流估计( 二 )

目标识别与追踪计算机视觉项目实战-背景建模与光流估计( 二 )