ViBe：基于Python实现的加速版（2019.10）

网络上流行的ViBe算法的python实现版本运行速度非常慢，根本达不到实时的目的；而论文作者提供的C++版本则速度超快。借鉴一些网络上的说法改成numpy来操作速度更快，有些大佬也给出了新的思路。新的代码初始化速度有明显提升，记录于此。

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Fri Oct 11 13:19:31 2019
升级版vibe（速度更快）
@author: youxinlin
"""

import numpy as np
import cv2


class ViBe:
    '''
    ViBe运动检测，分割背景和前景运动图像
    '''
    def __init__(self,num_sam=20,min_match=2,radiu=20,rand_sam=16):
        self.defaultNbSamples = num_sam            #每个像素的样本集数量，默认20个
        self.defaultReqMatches = min_match          #前景像素匹配数量，如果超过此值，则认为是背景像素
        self.defaultRadius = radiu                  #匹配半径，即在该半径内则认为是匹配像素
        self.defaultSubsamplingFactor = rand_sam    #随机数因子，如果检测为背景，每个像素有1/defaultSubsamplingFactor几率更新样本集和领域样本集
    
        self.background = 0 
        self.foreground = 255
    
    def __buildNeighborArray(self,img):
        '''
        构建一副图像中每个像素的邻域数组
        参数：输入灰度图像
        返回值：每个像素9邻域数组，保存到self.samples中
        '''
        height,width=img.shape
        self.samples=np.zeros((self.defaultNbSamples,height,width),dtype=np.uint8)
        
        #生成随机偏移数组，用于计算随机选择的邻域坐标
        ramoff_xy=np.random.randint(-1,2,size=(2,self.defaultNbSamples,height,width))
        #ramoff_x=np.random.randint(-1,2,size=(self.defaultNbSamples,2,height,width))
        
        #xr_=np.zeros((height,width))
        xr_=np.tile(np.arange