背景建模（对视频处理+python实现+原理+实验报告）

资源：背景建模（对视频处理+python实现+原理+实验报告）

实现效果：

依赖库安装及运行描述：

运行代码所需的库有两个，numpy和opencv,安装命令：
pip install numpy
pip install opencv-python
将视频test.avi与代码Background_Generation.py放到同一个文件夹中，运行Background_Generation.py即可。

相关原理：

背景是指在视频中长时间不变化的图像内容。背景建模分为帧差法和混合高斯模型两种。

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。

帧差法非常简单，但是会引发噪音和空洞问题。

混合高斯模型：在进行前景检测前，先对背景进行训练，对图像中每个背景采用一个混合高斯模型进行模似，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。
在视频中对于像索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做第一个高斯分布。
• 3.当后面来的像索值时，与前面已有的高斯的均值比较，如果该像索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.如果下一次来的像索不满足当前高斯分布，用它来创建一个新的高斯分布。

代码步骤及部分代码：

1. 导入库
import numpy as np
import cv2
2. 读取视频
cap = cv2.VideoCapture('test.avi')
3. 创建一个核
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
4. 创建高斯混合模型 createBackgroundSubtractorMOG2()
fgbg = cv2.createBackgroundSubtractorMOG2()
5. 进入循环 apply()
#进入循环后读取图像，将创建的高斯混合模型应用于每一帧的图像中
#开运算去除噪点
fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel)
#寻找视频中的轮廓
#之后遍历每个轮廓，计算每个轮廓的周长，如果周长大于188，则将轮廓近似为矩形，然后画出这个矩形因为我们这个视频中只有人，这个188是照着人的图像测出来这个值的，所以才能检测出运动的人
    #计算各轮廓的周长
        #找到一个直矩形（不会旋转）
        #画出这个矩形
#之后将图像展示出来，按ESC可以关闭图像，关闭后结束视频流然后关闭所有窗口
cv2.imshow('frame',frame)
    cv2.imshow('fgmask', fgmask)
    k = cv2.waitKey(150) & 0xff
    if k == 27:
        break
cap.release()
cv2.destroyAllWindows()

完整相关代码及实验报告见：
背景建模（对视频处理+python实现+原理+实验报告）