OpenCV三大前景检测技术全解析

最新推荐文章于 2025-12-19 10:41:59 发布

原创最新推荐文章于 2025-12-19 10:41:59 发布 · 289 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能

基于OpenCV的前景物体检测技术

前景物体检测是计算机视觉中的基础任务，广泛应用于视频监控、自动驾驶、人机交互等领域。OpenCV作为开源的计算机视觉库，提供了多种算法实现前景检测。以下将介绍三种主流方法：背景减除法、帧差法、基于深度学习的语义分割，并附代码示例。

背景减除法

背景减除法通过建立背景模型，将当前帧与背景模型对比提取前景。OpenCV提供createBackgroundSubtractorMOG2和createBackgroundSubtractorKNN两种算法。

MOG2算法
高斯混合模型（MOG2）能适应光照变化和动态背景。

import cv2

cap = cv2.VideoCapture("input_video.mp4")
fgbg = cv2.createBackgroundSubtractorMOG2(history=500, varThreshold=16, detectShadows=False)

while True:
    ret, frame = cap.read()
    if not ret:
        break
    fgmask = fgbg.apply(frame)
    cv2.imshow("Foreground", fgmask)
    if cv2.waitKey(30) == 27:
        break

cap.release()
cv2.destroyAllWindows()

参数说明

history：用于建模的帧数，值越大适应性越强但延迟越高。
varThreshold：像素与模型差异的阈值，值越小灵敏度越高。

帧差法

帧差法通过比较连续帧的像素差异检测运动物体，适合静态背景场景。

import cv2
import numpy as np

cap = cv2.VideoCapture("input_video.mp4")
ret, prev_frame = cap.read()
prev_gray = cv2.cvtColor(prev_frame, cv2.COLOR_BGR2GRAY)

while True:
    ret, frame = cap.read()
    if not ret:
        break
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    diff = cv2