OpenCV_基于混合高斯模型GMM的运动目标检测
2013-01-15 22:40
721 查看
OpenCV的video module中包含了几种较为常用的背景减除方法,其中混合高斯模型(Gaussian of Mixture Models, GMM)方法效果较好。
常用的目标检测方法:1)帧间差分;2)背景减除;
其中背景减除方法的关键在于建立一个鲁棒的背景模型(背景图像),常用的建立背景模型方法有:
1)均值法;2)中值法;3)滑动平均滤波法;4)单高斯;5)混合高斯模型;6)codebook,等。
混合高斯模型的原理:
每个像素的R、G、B三个通道像素值的变化分别由一个混合高斯模型分布来刻画。这样的好处在于,同一个像素位置处可以呈现多个模态的像素值变化(例如水波纹,晃动的叶子等)。
GMM的出处:Adaptive background mixture models for real-time tracking (1999年由Chris Stau er提出)
OpenCV版本:2.4.2
下面的代码实现了基于GMM的运动目标检测,同时能够消除运动阴影; (基于文献:Improved adaptive Gausian mixture model for background subtraction)
实验结果:
当前帧图像
![](http://img.my.csdn.net/uploads/201301/15/1358260992_8507.jpg)
当前背景图像
![](http://img.my.csdn.net/uploads/201301/15/1358261012_4323.jpg)
前景图像
![](http://img.my.csdn.net/uploads/201301/15/1358261026_5182.jpg)
经过腐蚀和膨胀处理后的前景图像
![](http://img.my.csdn.net/uploads/201301/15/1358261036_6659.jpg)
(白色为运动目标区域;灰色为阴影区域;黑色为背景)
相关内容:www.icvpr.com
-------------------------------------------------------
< 转载请注明:http://blog.csdn.net/icvpr>
常用的目标检测方法:1)帧间差分;2)背景减除;
其中背景减除方法的关键在于建立一个鲁棒的背景模型(背景图像),常用的建立背景模型方法有:
1)均值法;2)中值法;3)滑动平均滤波法;4)单高斯;5)混合高斯模型;6)codebook,等。
混合高斯模型的原理:
每个像素的R、G、B三个通道像素值的变化分别由一个混合高斯模型分布来刻画。这样的好处在于,同一个像素位置处可以呈现多个模态的像素值变化(例如水波纹,晃动的叶子等)。
GMM的出处:Adaptive background mixture models for real-time tracking (1999年由Chris Stau er提出)
OpenCV版本:2.4.2
下面的代码实现了基于GMM的运动目标检测,同时能够消除运动阴影; (基于文献:Improved adaptive Gausian mixture model for background subtraction)
// 基于混合高斯模型的运动目标检测 // Author: www.icvpr.com // Blog: http://blog.csdn.net/icvpr #include <iostream> #include <string> #include <opencv2/opencv.hpp> int main(int argc, char** argv) { std::string videoFile = "../test.avi"; cv::VideoCapture capture; capture.open(videoFile); if (!capture.isOpened()) { std::cout<<"read video failure"<<std::endl; return -1; } cv::BackgroundSubtractorMOG2 mog; cv::Mat foreground; cv::Mat background; cv::Mat frame; long frameNo = 0; while (capture.read(frame)) { ++frameNo; std::cout<<frameNo<<std::endl; // 运动前景检测,并更新背景 mog(frame, foreground, 0.001); // 腐蚀 cv::erode(foreground, foreground, cv::Mat()); // 膨胀 cv::dilate(foreground, foreground, cv::Mat()); mog.getBackgroundImage(background); // 返回当前背景图像 cv::imshow("video", foreground); cv::imshow("background", background); if (cv::waitKey(25) > 0) { break; } } return 0; }
实验结果:
当前帧图像
![](http://img.my.csdn.net/uploads/201301/15/1358260992_8507.jpg)
当前背景图像
![](http://img.my.csdn.net/uploads/201301/15/1358261012_4323.jpg)
前景图像
![](http://img.my.csdn.net/uploads/201301/15/1358261026_5182.jpg)
经过腐蚀和膨胀处理后的前景图像
![](http://img.my.csdn.net/uploads/201301/15/1358261036_6659.jpg)
(白色为运动目标区域;灰色为阴影区域;黑色为背景)
相关内容:www.icvpr.com
-------------------------------------------------------
< 转载请注明:http://blog.csdn.net/icvpr>
相关文章推荐
- 我的OpenCV学习笔记(3):基于混合高斯模型GMM的运动目标检测
- OpenCV_基于混合高斯模型GMM的运动目标检测
- OpenCV_基于混合高斯模型GMM的运动目标检测
- OpenCV_基于混合高斯模型GMM的运动目标检测
- OpenCV_基于混合高斯模型GMM的运动目标检测
- OpenCV_基于混合高斯模型GMM的运动目标检测
- OpenCV_基于混合高斯模型GMM的运动目标检测
- OpenCV之基于GMM的运动目标检测
- 基于OpenCV的运动目标检测跟踪系统在PC上的软件设计流程
- 【OPENCV】基于背景差法的运动目标检测
- OpenCV学习笔记(二十六)——小试SVM算法ml OpenCV学习笔记(二十七)——基于级联分类器的目标检测objdect OpenCV学习笔记(二十八)——光流法对运动目标跟踪Video Ope
- 【opencv】基于opencv实现运动目标检测之帧差法
- 基于OpenCV和Android的运动目标检测系统
- 基于opencV的动态背景下运动目标检测及跟踪(修改版)
- OpenCV_基于自适应背景更新的运动目标检测
- 运动物体目标检测实现—基于OpenCV
- OpenCV运动目标检测——帧间差,混合高斯模型方法
- OpenCV_基于自适应背景更新的运动目标检测
- 混合高斯模型实现运动目标检测(OpenCV内置实现)
- 运动检测(前景检测)之(二)混合高斯模型GMM