詳解opencv去除背景算法的方法比較

更新時(shí)間：2022年08月08日 10:11:21 作者：Stark_Jarvis

本文主要介紹了opencv去除背景算法的方法比較，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

最近做opencv項(xiàng)目時(shí)，使用膚色分割的方法檢測(cè)目標(biāo)物體時(shí)，背景帶來(lái)的干擾非常讓人頭痛。于是先將背景分割出去，將影響降低甚至消除。由于初次接觸opencv，敘述不當(dāng)?shù)牡胤竭€請(qǐng)指正。

背景減除法

（以下文字原文來(lái)源于https://docs.opencv.org/3.4.7/d8/d38/tutorial_bgsegm_bg_subtraction.html）
背景減除法是很多基于視覺的應(yīng)用的一個(gè)主要預(yù)處理步驟。例如使用一個(gè)靜止的攝像頭拍攝進(jìn)出房間的人數(shù)，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(dú)把人和交通工具提取出來(lái)。從技術(shù)上來(lái)說，你需要從靜止的背景中提取移動(dòng)前景目標(biāo)。

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，然后用新的圖像減去背景圖片即可。

在opencv中提供了幾種背景減除的方法：

（1）BackgroundSubtractorMOG

這是基于高斯混合模型的算法，混合模型表示了觀測(cè)數(shù)據(jù)在總體中的概率分布，高斯分布即正態(tài)分布，正態(tài)分布如下圖：
（圖片來(lái)源于網(wǎng)絡(luò)）

正態(tài)分布

而高斯混合模型就是使用高斯分布的混合模型，由于高斯分布具有良好的數(shù)學(xué)性質(zhì)和計(jì)算性能，它的概率分布遵循高斯分布。

cv2.bgsegm.createBackgroundSubtractorMOG()使用時(shí)可以不用傳入?yún)?shù)

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()
    
    # 用于計(jì)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(yùn)行結(jié)果：

（2）BackgroundSubtractorMOG2

它是改進(jìn)的高斯混合模型，為各個(gè)參數(shù)設(shè)置了一些合適的值。

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(yùn)行結(jié)果：

（3）BackgroundSubtractorGMG

GMG：Geometric Multigid，幾何多重網(wǎng)格。它默認(rèn)使用前120幀圖像進(jìn)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(yùn)行結(jié)果：

以上這三種方法對(duì)于檢測(cè)運(yùn)動(dòng)物體行之有效，但如果檢測(cè)靜態(tài)物體就不適合了。

幀差法

在可以確定背景時(shí)采用幀差法，此方法不僅可以用于動(dòng)態(tài)目標(biāo)檢測(cè)，也能檢測(cè)靜態(tài)目標(biāo)。
幀差法需要一個(gè)變量來(lái)檢測(cè)當(dāng)前是第幾幀。即通過后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(yùn)行結(jié)果：