我的OpenCV学习笔记(3):基于混合高斯模型GMM的运动目标检测
2014-09-16 10:01
761 查看
OpenCV的video module中包含了几种较为常用的背景减除方法,其中混合高斯模型(Gaussian of Mixture Models, GMM)方法效果较好。
常用的目标检测方法:1)帧间差分;2)背景减除;
其中背景减除方法的关键在于建立一个鲁棒的背景模型(背景图像),常用的建立背景模型方法有:
1)均值法;2)中值法;3)滑动平均滤波法;4)单高斯;5)混合高斯模型;6)codebook,等。
混合高斯模型的原理:
每个像素的R、G、B三个通道像素值的变化分别由一个混合高斯模型分布来刻画。这样的好处在于,同一个像素位置处可以呈现多个模态的像素值变化(例如水波纹,晃动的叶子等)。
GMM的出处:Adaptive background mixture models for real-time tracking (1999年由Chris Stau er提出)
OpenCV版本:2.4.2
下面的代码实现了基于GMM的运动目标检测,同时能够消除运动阴影; (基于文献:Improved adaptive Gausian mixture model for background subtraction)
// 基于混合高斯模型的运动目标检测
// Author: www.icvpr.com
// Blog: http://blog.csdn.net/icvpr
#include <iostream>
#include <string>
#include <opencv2/opencv.hpp>
int main(int argc, char** argv)
{
std::string videoFile = "../test.avi";
cv::VideoCapture capture;
capture.open(videoFile);
if (!capture.isOpened())
{
std::cout<<"read video failure"<<std::endl;
return -1;
}
cv::BackgroundSubtractorMOG2 mog;
cv::Mat foreground;
cv::Mat background;
cv::Mat frame;
long frameNo = 0;
while (capture.read(frame))
{
++frameNo;
std::cout<<frameNo<<std::endl;
// 运动前景检测,并更新背景
mog(frame, foreground, 0.001);
// 腐蚀
cv::erode(foreground, foreground, cv::Mat());
// 膨胀
cv::dilate(foreground, foreground, cv::Mat());
mog.getBackgroundImage(background); // 返回当前背景图像
cv::imshow("video", foreground);
cv::imshow("background", background);
if (cv::waitKey(25) > 0)
{
break;
}
}
return 0;
}
常用的目标检测方法:1)帧间差分;2)背景减除;
其中背景减除方法的关键在于建立一个鲁棒的背景模型(背景图像),常用的建立背景模型方法有:
1)均值法;2)中值法;3)滑动平均滤波法;4)单高斯;5)混合高斯模型;6)codebook,等。
混合高斯模型的原理:
每个像素的R、G、B三个通道像素值的变化分别由一个混合高斯模型分布来刻画。这样的好处在于,同一个像素位置处可以呈现多个模态的像素值变化(例如水波纹,晃动的叶子等)。
GMM的出处:Adaptive background mixture models for real-time tracking (1999年由Chris Stau er提出)
OpenCV版本:2.4.2
下面的代码实现了基于GMM的运动目标检测,同时能够消除运动阴影; (基于文献:Improved adaptive Gausian mixture model for background subtraction)
// 基于混合高斯模型的运动目标检测
// Author: www.icvpr.com
// Blog: http://blog.csdn.net/icvpr
#include <iostream>
#include <string>
#include <opencv2/opencv.hpp>
int main(int argc, char** argv)
{
std::string videoFile = "../test.avi";
cv::VideoCapture capture;
capture.open(videoFile);
if (!capture.isOpened())
{
std::cout<<"read video failure"<<std::endl;
return -1;
}
cv::BackgroundSubtractorMOG2 mog;
cv::Mat foreground;
cv::Mat background;
cv::Mat frame;
long frameNo = 0;
while (capture.read(frame))
{
++frameNo;
std::cout<<frameNo<<std::endl;
// 运动前景检测,并更新背景
mog(frame, foreground, 0.001);
// 腐蚀
cv::erode(foreground, foreground, cv::Mat());
// 膨胀
cv::dilate(foreground, foreground, cv::Mat());
mog.getBackgroundImage(background); // 返回当前背景图像
cv::imshow("video", foreground);
cv::imshow("background", background);
if (cv::waitKey(25) > 0)
{
break;
}
}
return 0;
}
相关文章推荐
- OpenCV_基于混合高斯模型GMM的运动目标检测
- OpenCV_基于混合高斯模型GMM的运动目标检测
- OpenCV_基于混合高斯模型GMM的运动目标检测
- OpenCV_基于混合高斯模型GMM的运动目标检测
- OpenCV_基于混合高斯模型GMM的运动目标检测
- OpenCV_基于混合高斯模型GMM的运动目标检测
- OpenCV_基于混合高斯模型GMM的运动目标检测
- OpenCV学习笔记(二十六)——小试SVM算法ml OpenCV学习笔记(二十七)——基于级联分类器的目标检测objdect OpenCV学习笔记(二十八)——光流法对运动目标跟踪Video Ope
- OpenCV之基于GMM的运动目标检测
- OpenCV学习笔记(二十七)——基于级联分类器的目标检测objdect
- 《OpenCV 3计算机视觉:Python语言实现》学习笔记——目标跟踪中基本运动检测的思考
- 基于OpenCV和Android的运动目标检测系统
- 【OpenCV学习】基于轮廓寻找的视频流运动检测
- [学习笔记]运动目标检测(加注释)
- OpenCV学习笔记(二十八)——光流法对运动目标跟踪Video
- OpenCV_基于自适应背景更新的运动目标检测
- opencv学习---运动目标(前景)检测
- OpenCV学习笔记——Kalman滤波做运动目标跟踪
- 【OPENCV】基于背景差法的运动目标检测
- OpenCV学习笔记(二十八)——光流法对运动目标跟踪Video