knn背景建模优点与不足

最新推荐文章于 2025-06-03 21:41:00 发布

「已注销」

最新推荐文章于 2025-06-03 21:41:00 发布

阅读量2.5k

点赞数

CC 4.0 BY-SA版权

分类专栏：视频摘要文章标签： opencv 背景建模

本文链接：https://blog.youkuaiyun.com/weijiancheng999/article/details/88187935

kNN背景建模在C++中实现了快速物体检测，尤其擅长发现小物体，但存在明显的'尾巴'问题，尤其是在k值较大（如5）时。参考OpenCV3的BackgroundSubtractorKNN算法，该方法在背景/前景分割中有显著效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

kNN背景建模c++代码（包括比较）如下：

#include "opencv2/imgcodecs.hpp"
#include "opencv2/imgproc.hpp"
#include "opencv2/videoio.hpp"
#include <opencv2/highgui.hpp>
#include <opencv2/video.hpp>
#include <iostream>
#include <sstream>
using namespace cv;
using namespace std;
#define RATIO 2
const int HISTORY_NUM = 14;// 14;// 历史信息帧数
const int nKNN = 3;// KNN聚类后判断为背景的阈值
const float defaultDist2Threshold = 20.0f;// 灰度聚类阈值

struct PixelHistory
{
	unsigned char *gray;// 历史灰度值
	unsigned char *IsBG;// 对应灰度值的前景/背景判断，1代表判断为背景，0代表判断为前景
};


int main()
{
	PixelHistory* framePixelHistory = NULL;// 记录一帧图像中每个像素点的历史信息
	cv::Mat frame, FGMask, FGMask_KNN;
	int keyboard = 0;
	int rows, cols;
	rows = cols = 0;
	bool InitFlag = false;
	int frameCnt = 0;
	int gray = 0;
	char* file_path = "..//Data//in_man.avi";
	// Foreground mask generated by MOG2 method
	Mat fgMaskMOG2;
	// Background
	Mat bgImg;
	VideoCapture capture(file_path);
	Ptr<BackgroundSubtractorKNN> pBackgroundKnn