OpenCV混合高斯模型前景分离

运动检测的一般方法

　　目前，运动物体检测的问题主要分为两类，摄像机固定和摄像机运动。对于摄像机运动的运动物体检测问题，比较著名的解决方案是光流法，通过求解偏微分方程求的图像序列的光流场，从而预测摄像机的运动状态。对于摄像机固定的情形，当然也可以用光流法，但是由于光流法的复杂性，往往难以实时的计算，所以我采用高斯背景模型。因为，在摄像机固定的情况下，背景的变化是缓慢的，而且大都是光照，风等等的影响，通过对背景建模，对一幅给定图像分离前景和背景，一般来说，前景就是运动物体，从而达到运动物体检测的目的

 

单分布高斯背景模型

单分布高斯背景模型认为，对一个背景图像，特定像素亮度的分布满足高斯分布，即对背景图像B，(x,y)点的亮度满足：

　　IB(x,y) ~ N(u,d)

　　这样我们的背景模型的每个象素属性包括两个参数：平均值u 和 方差d。

　　对于一幅给定的图像G，如果 Exp(-(IG(x,y)-u(x,y))^2/(2*d^2)) > T，认为(x,y)是背景点，反之是前景点。

　　同时，随着时间的变化，背景图像也会发生缓慢的变化，这时我们要不断更新每个象素点的参数

　　u(t+1,x,y) = a*u(t,x,y) + (1-a)*I(x,y)

　　这里，a称为更新参数，表示背景变化的速度，一般情况下，我们不更新d（实验中发现更不更新d，效果变化不大）。

　　高斯混合模型是用于背景提取的方法，OpenCV的cvaux中cvbgfg_gaussmix.cpp文件根据文献An improved adaptive background mixture model for real-time tracking with shadow中提供的方法编写了高斯混合模型函数。其中定义了CvGaussBGModel类用于存放高斯混合模型的各个参数。我用OpenCV使用高斯混合模型函数分以下几步：

　　1。在程序初始化部分定义高斯混合模型参数CvGaussBGModel* bg_model=NULL;在读取第一帧图像（背景图像）时，进行高斯背景建模bg_model = (CvGaussBGModel*)cvCreateGaussianBGModel(image, 0);image可以是灰度图象也可以是彩色图像。接下来再读取当前帧时，更新高斯模型

　　regioncount=icvUpdateGaussianBGModel(currframe, bg_model );regioncount的含义我不确定，我理解是代表背景中不同颜色区域的个数，这个参数我没有用到，它只是icvUpdateGaussianBGModel函数的返回值。

　　2。现在bg_model已经保存了经过高斯混合模型分类后的结果，bg_model->background保存了背景图像，bg_model->foreground保存了前景图像。

#include <stdio.h>#include <cv.h>#include <cxcore.h>#include <highgui.h>#include <cvaux.h>//必须引此头文件int main( int argc, char** argv ){    IplImage* pFrame = NULL;      IplImage* pFrImg = NULL;    IplImage* pBkImg = NULL;      CvCapture* pCapture = NULL;      int nFrmNum = 0;   cvNamedWindow("video", 1);    cvNamedWindow("background",1);    cvNamedWindow("foreground",1);      cvMoveWindow("video", 30, 0);    cvMoveWindow("background", 360, 0);    cvMoveWindow("foreground", 690, 0);   //打开视频文件    pCapture = cvCaptureFromFile("bike.avi");   //pCapture = cvCaptureFromFile("20120726.avi");   if( !pCapture )        {         fprintf(stderr, "Can not open video file %s\n", argv[1]);         return -2;        }   //初始化高斯混合模型参数   CvGaussBGModel* bg_model=NULL;   while(pFrame = cvQueryFrame( pCapture ))      {           nFrmNum++;                 if(nFrmNum == 1)         {             pBkImg = cvCreateImage(cvSize(pFrame->width, pFrame->height),  pFrame->depth, pFrame->nChannels /*IPL_DEPTH_8U,3*/);            pFrImg = cvCreateImage(cvSize(pFrame->width, pFrame->height),  IPL_DEPTH_8U,1);              //高斯背景建模，pFrame可以是多通道图像也可以是单通道图像         //cvCreateGaussianBGModel函数返回值为CvBGStatModel*，         //需要强制转换成CvGaussBGModel*         bg_model = (CvGaussBGModel*)cvCreateGaussianBGModel(pFrame, 0);      }           else      {             //更新高斯模型         cvUpdateBGStatModel(pFrame, (CvBGStatModel *)bg_model );         //pFrImg为前景图像，只能为单通道         //pBkImg为背景图像，可以为单通道或与pFrame通道数相同         cvCopy(bg_model->foreground,pFrImg,0);         cvCopy(bg_model->background,pBkImg,0);         cvThreshold(pFrImg, pFrImg, 128, 255, CV_THRESH_BINARY_INV);         //把图像正过来      //   pBkImg->origin=1;      //   pFrImg->origin=1;         cvShowImage("video", pFrame);             cvShowImage("background", pBkImg);             cvShowImage("foreground", pFrImg);                if( cvWaitKey(100) >= 0 )                  break;           }        }   //释放高斯模型参数占用内存      cvReleaseBGStatModel((CvBGStatModel**)&bg_model);   cvDestroyWindow("video");    cvDestroyWindow("background");    cvDestroyWindow("foreground");      cvReleaseImage(&pFrImg);    cvReleaseImage(&pBkImg);      cvReleaseCapture(&pCapture);      return 0;}