計算機視覺 | Python OpenCV 3 使用背景減除進行目標檢測

歡迎訪問我們的官方網站：www.leadai.org

背景減除(Background Subtraction)是許多基於計算機視覺的任務中的主要預處理步驟。如果我們有完整的靜止的背景幀，那麼我們可以通過幀差法來計算像素差從而獲取到前景對象。但是在大多數情況下，我們可能沒有這樣的圖像，所以我們需要從我們擁有的任何圖像中提取背景。當運動物體有陰影時，由於陰影也在移動，情況會變的變得更加複雜。為此引入了背景減除演算法，通過這一方法我們能夠從視頻中分離出運動的物體前景，從而達到目標檢測的目的。 OpenCV已經實現了幾種非常容易使用的演算法。

環境

• Python 3.6
• OpenCV 3.2 + contrib

在Python下可以通過直接導入wheel包來安裝opencv+contrib,可以從下面這個網址下載對應的文件：

opencv_python?3.2.0+contrib?cp36?cp36m?win_amd64.whl http://www.lfd.uci.edu/~gohlke/pythonlibs/

KNN

KNN演算法，即K-nearest neigbours - based Background/Foreground Segmentation Algorithm。2006年，由Zoran Zivkovic 和Ferdinand van der Heijden在論文"Efficient adaptive density estimation per image pixel for the task of background subtraction."中提出。

bs = cv2.createBackgroundSubtractorKNN(detectShadows=True) nfg_mask = bs.apply(frame)n

MOG

MOG演算法，即高斯混合模型分離演算法，全稱Gaussian Mixture-based Background/Foreground Segmentation Algorithm。2001年，由P.KadewTraKuPong和R.Bowden在論文「An improved adaptive background mixture model for real-time tracking with shadow detection」中提出。它使用一種通過K高斯分布的混合來對每個背景像素進行建模的方法(K = 3?5）。

bs = cv2.bgsegm.createBackgroundSubtractorMOG(history=history) n bs.setHistory(history)n fg_mask = bs.apply(frame)n

MOG2

MOG2演算法，也是高斯混合模型分離演算法，是MOG的改進演算法。它基於Z.Zivkovic發布的兩篇論文，即2004年發布的「Improved adaptive Gausian mixture model for background subtraction」和2006年發布的「Efficient Adaptive Density Estimation per Image Pixel for the Task of Background Subtraction」中提出。該演算法的一個重要特徵是 它為每個像素選擇適當數量的高斯分布，它可以更好地適應不同場景的照明變化等。

bs = cv2.createBackgroundSubtractorMOG2(history=history, detectShadows=True)nbs.setHistory(history)nfg_mask = bs.apply(frame)n

GMG

該演算法結合統計背景圖像估計和每像素貝葉斯分割。由 Andrew B. Godbehere, Akihiro Matsukawa, Ken Goldberg在2012年的文章「Visual Tracking of Human Visitors under Variable-Lighting Conditions for a Responsive Audio Art Installation」中提出。該演算法使用前幾個（默認為120）幀進行後台建模。它採用概率前景分割演算法，使用貝葉斯推理識別可能的前景對象。

bs = cv2.bgsegm.createBackgroundSubtractorGMG(initializationFrames=history) n fg_mask = bs.apply(frame)n

使用KNN根據前景面積檢測運動物體

代碼：

# coding:utf8nimport cv2ndef detect_video(video): ncamera = cv2.VideoCapture(video) nhistory = 20 # 訓練幀數 nbs = cv2.createBackgroundSubtractorKNN(detectShadows=True) # 背景減除器，設置陰影檢測 bs.setHistory(history) nframes = 0 nwhile True: nres, frame = camera.read() nif not res: nbreak nfg_mask = bs.apply(frame) # 獲取 foreground mask nif frames < history: nframes += 1 ncontinue n# 對原始幀進行膨脹去噪 nth = cv2.threshold(fg_mask.copy(), 244, 255, cv2.THRESH_BINARY)[1] nth = 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) # 獲取所有檢測框 image, contours, hier = cv2.findContours(dilated, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) nfor c in contours: n# 獲取矩形框邊界坐標 nx, y, w, h = cv2.boundingRect(c) n# 計算矩形框的面積 narea = cv2.contourArea(c) nif 500 < area < 3000: ncv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2) ncv2.imshow("detection", frame) ncv2.imshow("back", dilated) n if cv2.waitKey(110) & 0xff == 27: nbreak ncamera.release()n if __name__ == __main__:nvideo = person.avi ndetect_video(video)n

效果：

查閱更為簡潔方便的分類文章以及最新的課程、產品信息，請移步至全新呈現的「LeadAI學院官網」：

http://www.leadai.org

請關注人工智慧LeadAI公眾號，查看更多專業文章

http://weixin.qq.com/r/ZDnC2j-E5GKbrXu592x2 (二維碼自動識別)