Opencv3之动态目标检测：BackgroundSubtractorMOG2参数配置

        Opencv集成了BackgroundSubtractorMOG2用于动态目标检测，用到的是基于自适应混合高斯背景建模的背景减除法，相对于BackgroundSubtractorMOG，其具有更好的抗干扰能力，特别是光照变化。

------------------------------------------------------------------------------------------------------------

ps：BackgroundSubtractorMOG2等一些背景减除法、帧差法仅仅做运动检测，网上经常有人做个运动检测，再找个轮廓，拟合个椭圆就说跟踪了，混淆了概念，凡是没有建立帧与帧之间目标联系的，没有判断目标产生和目标消失的都不能算是跟踪吧。

-----------------------------------------------------------------------------------------------------------

BackgroundSubtractorMOG2具有大量的参数，参数的设置会对运动检测的结果产生极大影响。opencv2版本的BackgroundSubtractorMOG2参数是不可调的，因此MOG2的检测效果往往令人失望，甚至有人认为不如MOG。

    在opencv3版本中，BackgroundSubtractorMOG2通过大量的成员函数使得参数可调，相信这一状况可以极大改变。然而对于不想钻研算法的opencv玩家来说，或者像我这种初学opencv又想做出点好玩的效果的人来说，，理解这些参数头都大了，这里结合我的浅见和别人的一些成果，总结了一些参数的意义，仅供参考，误人子弟勿喷！

部分参考自：http://blog.csdn.net/abc20002929/article/details/43247425

1-- BackgroundSubtractorMOG2创建及初始化

Ptr<backgroundsubtractormog2> cv::createBackgroundSubtractorMOG2(int history = 500,double varThreshold = 16,bool detectShadows = true )</backgroundsubtractormog2>

eg：Ptr<BackgroundSubtractorMOG2> mog = createBackgroundSubtractorMOG2(100,25,false);

• history：用于训练背景的帧数，默认为500帧，如果不手动设置learningRate，history就被用于计算当前的learningRate，此时history越大，learningRate越小，背景更新越慢；
• varThreshold：方差阈值，用于判断当前像素是前景还是背景。一般默认16，如果光照变化明显，如阳光下的水面，建议设为25,36，具体去试一下也不是很麻烦，值越大，灵敏度越低；
  
• detectShadows：是否检测影子，设为true为检测，false为不检测，检测影子会增加程序时间复杂度，如无特殊要求，建议设为false；

2-- BackgroundSubtractorMOG2运动检测

virtual void cv::BackgroundSubtractor::apply(InputArray image,OutputArray fgmask,double learningRate = -1 )

eg：mog->apply(src_YCrCb, foreGround, 0.005);

• image 源图
• fmask 前景（二值图像）
• learningRate 学习速率，值为0-1,为0时背景不更新，为1时逐帧更新，默认为-1，即算法自动更新；
  

3-- BackgroundSubtractorMOG2其他参数

参数设置函数见：http://docs.opencv.org/3.2.0/d7/d7b/classcv_1_1BackgroundSubtractorMOG2.html

eg：mog->setVarThreshold(20);

部分重要参数介绍

• nmixtures：高斯模型个数，默认5个，最多8个，一般设为5就好，个人测试：设为8个的时候检测效果提升有限，但程序耗时增加；
  
• backgroundRatio：高斯背景模型权重和阈值，nmixtures个模型按权重排序后，只取模型权重累加值大于backgroundRatio的前几个作为背景模型。也就是说如果该值取得非常小，很可能只使用权重最大的高斯模型作为背景(因为仅一个模型权重就大于backgroundRatio了)；
  
• fVarInit：新建高斯模型的方差初始值，默认15；
• fVarMax：背景更新过程中，用于限制高斯模型方差的最大值，默认20；
• fVarMin：背景更新过程中，用于限制高斯模型方差的最小值，默认4；
  
• varThresholdGen：方差阈值，用于是否存在匹配的模型，如果不存在则新建一个；
  

4-- BackgroundSubtractorMOG2运动检测程序参考

#include <stdafx> #include "opencv2/opencv.hpp" #include <vector> using namespace cv;using namespace std;const int Train = 100;int main(int argc, char *argv[]){Ptr<backgroundsubtractormog2> mog = createBackgroundSubtractorMOG2(100, 25, false);//bgsubtractor->setVarThreshold(20);Mat foreGround;Mat backGround;int trainCounter = 0;bool dynamicDetect = true;namedWindow("src");namedWindow("foreground");VideoCapture cap(0);//打开默认的摄像头 if (!cap.isOpened()){return -1;}Mat src;bool stop = false;while (!stop){cap >> src;if (dynamicDetect){mog->apply(src_YCrCb, foreGround, 0.005);//图像处理过程medianBlur(foreGround, foreGround, 3);dilate(foreGround, foreGround, Mat(), Point(-1, -1), 3);erode(foreGround, foreGround, Mat(), Point(-1, -1), 6);dilate(foreGround, foreGround, Mat(), Point(-1, -1), 3);imshow("foreground", foreGround);if (trainCounter < Train)//训练期间所得结果为不准确结果，不应作为后续{Mat findc;foreGround.copyTo(findc);vector<vector<point>> contours;cv::findContours(findc, contours, RETR_EXTERNAL, CHAIN_APPROX_NONE);//targets.clear();const int maxArea = 800;size_t s = contours.size();for (size_t i = 0; i < s; i++){double area = abs(contourArea(contours[i]));if (area > maxArea){Rect mr = boundingRect(Mat(contours[i]));rectangle(src, mr, Scalar(0, 0, 255), 2, 8, 0);//targets.push_back(mr);}}//string text;char text[50];sprintf_s(text, "background training -%d- ...", trainCounter);putText(src, text, Point(50, 50), 3, 1, Scalar(0, 255, 255), 2, 8, false);//delete[] text;}else{//detects.clear();Mat findc;foreGround.copyTo(findc);vector<vector<point>> contours;cv::findContours(findc, contours, RETR_EXTERNAL, CHAIN_APPROX_NONE);const int maxArea = 500;size_t s = contours.size();RNG rng；for (size_t i = 0; i < s; i++){double area = abs(contourArea(contours[i]));if (area > maxArea){Scalar sca_color = Scalar(rng.uniform(0, 256), rng.uniform(0, 256), rng.uniform(0, 256));Rect mr = boundingRect(Mat(contours[i]));rectangle(src, mr, sca_color, 2, 8, 0);//可以对动态目标进行相应操作}}}trainCounter++;}imshow("src", src);if (waitKey(30) == 27) //Esc键退出 {stop = true;}}return 0;}</point></point></backgroundsubtractormog2></vector></stdafx>