网站制作公司网址,一个新的app如何推广,网站过期怎么找回来,建设网站需要的关键技术帧差法
由于场景中的目标在运动#xff0c;目标的影像在不同图像帧中的位置不同。该类算法对时间上连续的两帧图像进行差分运算#xff0c;不同帧对应的像素点相减#xff0c;判断灰度差的绝对值#xff0c;当绝对值超过一定阈值时#xff0c;即可判断为运动目标#xf…帧差法
由于场景中的目标在运动目标的影像在不同图像帧中的位置不同。该类算法对时间上连续的两帧图像进行差分运算不同帧对应的像素点相减判断灰度差的绝对值当绝对值超过一定阈值时即可判断为运动目标从而实现目标的检测功能。 帧差法很简单但会引入噪音和空洞问题
混合高斯模型
在进行前景检测前先对背景进行训练对图像中每一个背景采用一个混合高斯模型进行模拟每个背景的混合高斯的个数可以自适应然后在测试阶段对新来的像素进行GMM匹配如果该像素值能够匹配其中一个高斯则认为是背景否则认为是前景。由于整个过程GMM模型在不断的更新学习中所以对动态背景有一定的鲁棒性。最后通过对一个有树枝摇摆的动态背景进行前景检测取得了较好的效果。
在视频中对于像素点的变化情况应当是符合高斯分布 背景的实际分布应当是多个高斯分布混合在一起每个高斯模型也可以带有权重
混合高斯模型学习方法
1首先初始化每个高斯模型矩阵参数 2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作第一个高斯分布 3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 4如果下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
混合高斯模型测试方法
在测试阶段对新来的像素点的值与混合高斯模型中的每一个均值进行比较如果其差值在2倍的方差之间的话则认为是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。
import numpy as np
import cv2#E:\Jupyter_workspace\study\data/a.mp4视频最好为摄像头捕获得录像这样得话相对大的背景不会变化变化的无非是行人和车辆较为容易判别处理
cap cv2.VideoCapture(E:\Jupyter_workspace\study\data/a.mp4)#经典的测试视频
kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))#形态学操作需要使用
fgbg cv2.createBackgroundSubtractorMOG2()#创建混合高斯模型用于背景建模while(True):ret, frame cap.read()#一帧一帧读取视频fgmask fgbg.apply(frame)#将获取到的每一帧图像都应用到当前的背景提取当中前景255背景0fgmask cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel)#形态学中开运算去掉噪音点im, contours, hierarchy cv2.findContours(fgmask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)#寻找视频中的轮廓for c in contours:perimeter cv2.arcLength(c,True)#计算各轮廓的周长if perimeter 188:x,y,w,h cv2.boundingRect(c)#找到一个直矩阵(不会旋转)cv2.rectangle(frame,(x,y),(xw,yh),(0,255,0),2)#画出这个矩阵cv2.imshow(frame,frame)cv2.imshow(fgmask,fgmask)k cv2.waitKey(100) 0xffif k 27:#Esc退出breakcap.release()
cv2.destroyAllWindows()