背景分割

最新推荐文章于 2025-06-12 14:52:44 发布

tcj2015

最新推荐文章于 2025-06-12 14:52:44 发布

阅读量5.6k

点赞数

分类专栏： opencv 文章标签： opencv python

opencv 专栏收录该内容

7 篇文章

订阅专栏

背景分割在视频分析中有广泛应用，例如人数计数和车辆信息提取。OpenCV提供了三种算法：BackgroundSubtractorMOG、BackgroundSubtractorMOG2和BackgroundSubtractorGMG。BackgroundSubtractorMOG使用高斯混合模型，BackgroundSubtractorMOG2增强了阴影检测，BackgroundSubtractorGMG基于概率的前景分割算法适应光照变化。这些算法有助于在复杂条件下有效提取前景对象。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

背景分割是许多可视化应用中重要操作。比如：一个静止的摄像头计算进出房间的游客数量的计数器，或者交通摄像头的车辆信息提取等等。在所有这些案例中都要独立提取人或者车，从技术上讲，需要将动态的前景与静态的背景分离。

如果有一张没有游客的房间或者没有车辆的道路背景图，那么很简单，只要将新图和背景图做减法，就能得到前景图了。但是多数情况是没有这样的背景图的。所有我们需要在任何情况下都可以提取背景图。当有车辆阴影时，就变得很复杂。阴影也是移动的，简单的减法会把阴影算在前景里。这是一件很麻烦的事。对此有若干种算法，opencv提供了三中，便于使用。这里逐一介绍。

1，BackgroundSubtractorMOG

高斯混合背景分割算法，2001年 P. KadewTraKuPong and R. Bowden论文"An improved adaptive background mixture model for real-time tracking with shadow detection"。

该方法把每个背景像素使用K高斯分布（k=3to5）。混合比例是按照场景中的颜色的时间比例，时间越长，越可能是静态，就越可能是背景色。

代码中使用cv2.createBackgroundSubtractorMOG（）函数，有一个可选参数：时间，高斯混合，阀值等等。它们都有默认值。在循环中使用backgroundsubtractor.apply()取前景遮罩。

import numpy as np
import cv2

cap = cv2.VideoCapture('vtest.avi')

fgbg = cv2.createBackgroundSubtractorMOG()

while(1):
    ret, frame = cap.read()

    fgmask = fgbg.apply(frame)

    cv2.imshow('frame',fgmask)
    k = cv2.waitKey(30) & 0xff
    if k == 27:
        break

cap.release()
cv2.destroyAllWindows()

2，BackgroundSubtractorMOG2

同样是高斯混合背景分割算法，两篇论文 作者Z.Zivkovic，2004年‘Improved adaptive Gausian mixture model for background subtraction’和2006年的‘Efficient Adaptive Density Estimation per Image Pixel for the Task of Background Subtraction’。一个重要的算法就为每个像素选择适当的高斯分布数，这使用比如照明变化等更广泛的场景。

在前面的我们做了一个背景减法对象，这里创建一个可选，决定是否将阴影剔除。

import numpy as np
import cv2

cap = cv2.VideoCapture('vtest.avi')

fgbg = cv2.createBackgroundSubtractorMOG2()

while(1):
    ret, frame = cap.read()

    fgmask = fgbg.apply(frame)

    cv2.imshow('frame',fgmask)
    k = cv2.waitKey(30) & 0xff
    if k == 27:
        break

cap.release()
cv2.destroyAllWindows()

3，BackgroundSubtractorGMG3

该算法包含了统计背景图像估计和逐像素贝叶斯分类，Andrew B. Godbehere, Akihiro Matsukawa, Ken Goldberg，在2012年的‘Visual Tracking of Human Visitors under Variable-Lighting Conditions for a Responsive Audio Art Installation’。2011，在叫做'Are We There Yet?'的一个交互式艺术音频设备上成功运行。

它使用少量的帧（默认120）来取得背景数据，采用概率前景分割算法也就是使用贝叶斯推理识别可能的前景对象。这种估算的自适应的。在适应变化的照明中，新观察者比就观察者有更高的权重。几个形态过滤上操作像闭和开操作完移除可不需要的噪点。在前面几帧中间获得黑色的窗口，用开运算移除噪点是很好的做法。

import numpy as np
import cv2

cap = cv2.VideoCapture('vtest.avi')

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
fgbg = cv2.createBackgroundSubtractorGMG()

while(1):
    ret, frame = cap.read()

    fgmask = fgbg.apply(frame)
    fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel)

    cv2.imshow('frame',fgmask)
    k = cv2.waitKey(30) & 0xff
    if k == 27:
        break

cap.release()
cv2.destroyAllWindows()