OpenCV3-Python之MOG2、KNN和GMG背景分割器

import cv2
import numpy as np
retval = cv.createBackgroundSubtractorMOG2( [, history[, varThreshold[, detectShadows]]] )
Parameters
    history	Length of the history.
    varThreshold	Threshold on the squared Mahalanobis distance between the pixel and the model to decide whether a pixel is well described by the background model. This parameter does not affect the background update.
    detectShadows	If true, the algorithm will detect shadows and mark them. It decreases the speed a bit, so if you do not need this feature, set the parameter to false.
url: https://docs.opencv.org/3.4.2/de/de1/group__video__motion.html#ga2beb2dee7a073809ccec60f145b6b29c
#MOG背景分割器
mog = cv2.createBackgroundSubtractorMOG2(detectShadows = True)
camera = cv2.VideoCapture("traffic.flv")
ret, frame = camera.read()
while ret:
  fgmask = mog.apply(frame)
  th = cv2.threshold(np.copy(fgmask), 244, 255, cv2.THRESH_BINARY)[1]
  th = cv2.erode(th, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,3)), iterations = 2)
  dilated = cv2.dilate(th, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (8,3)), iterations = 2)
  image, contours, hier = cv2.findContours(dilated, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
  for c in contours:
    if cv2.contourArea(c) > 1000:
      (x,y,w,h) = cv2.boundingRect(c)
      cv2.rectangle(frame, (x,y), (x+w, y+h), (255, 255, 0), 2)
  cv2.imshow("mog", fgmask)
  cv2.imshow("thresh", th)
  cv2.imshow("diff", frame & cv2.cvtColor(fgmask, cv2.COLOR_GRAY2BGR))
  cv2.imshow("detection", frame)
  ret, frame = camera.read()  #读取视频帧数据
  if cv2.waitKey(100) & 0xff == ord("q"):
      break
camera.release()
cv2.destroyAllWindows()

（2）KNN

import cv2
import numpy as np
retval	=  cv.createBackgroundSubtractorKNN([, history[, dist2Threshold[, detectShadows]]])
Parameters
    history	Length of the history.
    dist2Threshold	Threshold on the squared distance between the pixel and the sample to decide whether a pixel is close to that sample. This parameter does not affect the background update.
    detectShadows	If true, the algorithm will detect shadows and mark them. It decreases the speed a bit, so if you do not need this feature, set the parameter to false.
#KNN背景分割器
knn = cv2.createBackgroundSubtractorKNN(detectShadows = True)
camera = cv2.VideoCapture("traffic.flv")
def drawCnt(fn, cnt):
  if cv2.contourArea(cnt) > 1600:
    (x, y, w, h) = cv2.boundingRect(cnt)
    cv2.rectangle(fn, (x, y), (x + w, y + h), (255, 255, 0), 2)
while True:
  ret, frame = camera.read()
  if not ret: 
      break
  fgmask = knn.apply(frame)
  th = cv2.threshold(np.copy(fgmask), 244, 255, cv2.THRESH_BINARY)[1]
  es = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,3))
  dilated = cv2.dilate(th, es, iterations = 2)
  image, contours, hierarchy = cv2.findContours(dilated, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
  for c in contours:
    drawCnt(frame, c)
  cv2.imshow("knn", fgmask)
  cv2.imshow("thresh", th)
  cv2.imshow("detection", frame)
  if cv2.waitKey(100) & 0xff == ord("q"):
      break
camera.release()
cv2.destroyAllWindows()

（2）GMG

import numpy as np
import cv2
retval = cv.bgsegm.createBackgroundSubtractorGMG( [, initializationFrames[, decisionThreshold]]	)
Parameters
    initializationFrames	number of frames used to initialize the background models.
    decisionThreshold	Threshold value, above which it is marked foreground, else background.
#GMG背景分割器
fgbg = cv2.bgsegm.createBackgroundSubtractorGMG()
camera = cv2.VideoCapture('traffic.flv')
ret, frame = camera.read()
while ret:
  fgmask = fgbg.apply(frame)
  th = cv2.threshold(np.copy(fgmask), 244, 255, cv2.THRESH_BINARY)[1]
  th = cv2.erode(th, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,3)), iterations = 2)
  dilated = cv2.dilate(th, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (8,3)), iterations = 2)
  image, contours, hier = cv2.findContours(dilated, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
  for c in contours:
    if cv2.contourArea(c) > 1000:
      (x,y,w,h) = cv2.boundingRect(c)
      cv2.rectangle(frame, (x,y), (x+w, y+h), (255, 255, 0), 2)
  cv2.imshow("GMG", fgmask)
  cv2.imshow("thresh", th)
  cv2.imshow("diff", frame & cv2.cvtColor(fgmask, cv2.COLOR_GRAY2BGR))
  cv2.imshow("detection", frame)
  ret, frame = camera.read()  #读取视频帧数据
  if cv2.waitKey(100) & 0xff == ord("q"):
      break
camera.release()
cv2.destroyAllWindows()

根据以上效果对比知：

MOG2算法阴影检测并不完美，但它有助于将目标轮廓按原始形状进行还原；KNN的精确性和阴影检测能力较好，即使是相邻对象也没有在一起检测，运动检测的结果相当精确。

下一篇：《OpenCV3-Python基于Kalman和CAMShift算法应用》

注意：本站所有文章除特别说明外，均为原创，转载请务必以超链接方式并注明作者出处。标签： opencv3 , python , 图像处理