OpenCV_基于混合高斯模型GMM的运动目标检测

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）

[cpp] view
plaincopy

// 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;

}

实验结果：

当前帧图像



当前背景图像



前景图像



经过腐蚀和膨胀处理后的前景图像



（白色为运动目标区域；灰色为阴影区域；黑色为背景）