Question

目标

在这一章当中，我们将熟悉 OpenCV 中的背景分割方法。

基本知识

背景分割是许多基于视觉的应用程序中的主要预处理步骤。例如，在访客计数器程序中，我们需要利用固定的摄像头统计访客进入和离开房间的数量，或利用交通摄像机提取有关车辆等信息的情况。在所有这些情况下，首先需要单独提取人员或车辆。从技术上讲，你需要从静态背景提取移动的前景。

如果已经有了背景图像，如没有游客的房间图像，没有车辆的道路图像等，这是一件容易的事情。只需从背景中减去新的图像。你就能得到前景物体。但在大多数情况下，您可能没有这样的图像，所以我们需要从我们拥有的任何图像中提取背景。车辆有阴影时变得更加复杂。由于阴影也在移动，简单的减法将会将其标记为前景。这使事情变得复杂。

为此目的引入了几种算法。 OpenCV 已经实现了三个非常容易使用的算法。我们会一一看到他们。

BackgroundSubtractorMOG

这是一个基于高斯混合的背景/前景分割算法。它是在 P. KadewTraKuPong 和 R. Bowden 于 2001 年在《An improved adaptive background mixture model for real-time tracking with shadow detection》一文中介绍的。它使用一种方法来模拟每个背景像素的混合K个高斯分布（ K为3到5）。混合物的权重表示这些颜色留在场景中的时间比例。可能的背景颜色是保持更长和更静态的颜色。

在写代码时，我们需要使用函数 cv2.createBackgroundSubtractorMOG() 创建一个背景对象。它有一些可选的参数，如历史长度，高斯混合的数量，阈值等。它们都被设置为一些默认值。然后在视频处理循环中，使用 backgroundsubtractor.apply() 方法获取前景mask。

一个简单的例子如下：

import numpy as np
import cv2

cap = cv2.VideoCapture('vtest.avi')
fgbg = cv2.createBackgroundSubtractorMOG()
while(1):
    ret, frame = cap.read()
    fgmask = fgbg.apply(frame)
    cv2.imshow('frame',fgmask)
    k = cv2.waitKey(30) & 0xff
    if k == 27:
        break
cap.release()
cv2.destroyAllWindows()

所有算法的结果都显示在文章最后以便互相比较。

BackgroundSubtractorMOG2

这也是一个基于高斯混合的背景/前景分割算法。它基于 Z.Zivkovic 在2004年发表的两篇论文《Improved adaptive Gausian mixture model for background subtraction》以及2006年的《Efficient Adaptive Density Estimation per Image Pixel for the Task of Background Subtraction》。该算法的一个重要特征是它为每个像素选择适当数量的高斯分布。 （请记住，在上一个例子中，我们在整个算法中采用了恒定的K个高斯分布）。它提供更好的适应变化的场景由于照明变化等。

和以前的情况一样，我们必须创建一个背景减法器对象。在这里，您可以选择是否检测阴影。如果 detectShadows = True（默认情况下是这样），它会检测并标记阴影，但会降低速度。阴影将被标记为灰色。

import numpy as np
import cv2

cap = cv2.VideoCapture('vtest.avi')

fgbg = cv2.createBackgroundSubtractorMOG2()

while(1):
    ret, frame = cap.read()

    fgmask = fgbg.apply(frame)

    cv2.imshow('frame',fgmask)
    k = cv2.waitKey(30) & 0xff
    if k == 27:
        break

cap.release()
cv2.destroyAllWindows()

BackgroundSubtractorGMG

该算法将统计背景图像估计和逐像素贝叶斯分割相结合。这是由Andrew B. Godbehere，Akihiro Matsukawa，Ken Goldberg在2012年发表的《Visual Tracking of Human Visitors under Variable-Lighting Conditions for a Responsive Audio Art Installation》一文中介绍的一种响应式音频艺术装置。有人根据该论文运行了一个成功的交互式音频艺术装置，这个装置的展示在2011年3月31日至31日在加利福尼亚旧金山当代犹太博物馆举行，名为“Are We There Yet?”。

它使用前几个（默认为120）帧进行背景建模。它采用概率前景分割算法，使用贝叶斯推理来识别可能的前景对象。这个识别是适应性的，较新的观察值比旧的观察值更权重更大，以适应可变照明。使用了闭合和开启几个形态学操作，以消除不必要的噪音。前几帧你会看到一个黑色的窗口。

将形态学开启应用于结果以消除噪音会更好。

import numpy as np
import cv2

cap = cv2.VideoCapture('vtest.avi')

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
fgbg = cv2.createBackgroundSubtractorGMG()

while(1):
    ret, frame = cap.read()

    fgmask = fgbg.apply(frame)
    fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel)

    cv2.imshow('frame',fgmask)
    k = cv2.waitKey(30) & 0xff
    if k == 27:
        break

cap.release()
cv2.destroyAllWindows()