学习OpenCV范例（二十四）—ViBe前景检测（二）

来源：互联网发布：淘宝网天猫女麻套装编辑：程序博客网时间：2024/04/29 05:37

原文 http://blog.csdn.net/chenjiazhou12/article/details/30098145

最近导师没给什么项目做，所以有那么一点点小时间，于是就研究起了前景检测，既然前景检测有很多种算法，那干脆就把这些模型都学起来吧，以后用到前景检测时至少还有那么几种方法可以选择，上次介绍的是GMM模型，其实GMM模型本身就是一个很不错的模型，现在也很多人在研究，并且做改进，主要是OpenCV有函数调用，用起来非常方便，当我们都在兴高采烈的讨论GMM各种好的时候，B哥不爽了，他说老子是搞前景检测的，怎么可能让你们这么嚣张，而且老子就不按照你那套路来，什么高斯模型，混合高斯模型，我统统不用，就来个简单的，气死你们，于是一挥笔，一篇著作就出来了ViBe: A Universal Background Subtraction Algorithm for Video Sequences，顿时震惊了所有人，现在就让我们一起来领略一下ViBe算法到底有什么过人之处吧。

1、原理

一讲到原理，本人就喜欢推荐其他博主的博客，因为我觉得他们都已经写得非常好了，好资源就是要被传播，被共享的，所以对于原理的问题，我一样推荐一个博客给大家。

①、背景建模或前景检测(Background Generation And Foreground Detection) 五 ViBe

这篇文章可以说是ViBe原文的精华版，对这个算法的理论基础和精髓理解的非常透彻，甚至连实验对比结果和效果图都给大家贴出来了，都是原文的图片。

也希望大家看完这篇精华版之后，有初步了解之后可以去看一下原文，原文第一部分概述了各种各样的前景检测算法，第二部分开始讲ViBe，其中作者说了一句，背景减法技术一般都要解决三个问题：1、用到什么模型，并且它的工作原理，2、如何初始化这个模型，3、随着时间的推移，如何更新这个模型，于是作者也就从这三个方面介绍了ViBe算法，最后一部分就是各种实验结果和对比。

接下来给大家推荐一个代码版本，现在的OpenCV也有ViBe库函数提供，但是是在CUDA平台下的。

②、运动检测（前景检测）之（一）ViBe

这位博主主要的代码都是用到OpenCV的Mat格式存储数据和调用数据，所以速度有点慢，于是本人做了小小的修改，快了些许，代码会在下面贴出。

同样也贴出另外一位博主的代码，没仔细看，希望有空可以研究一下

③、VIBE运动目标检测算法实现

2、代码实现

Vibe.h

[cpp] view plaincopy
#include <iostream>  
#include "opencv2/opencv.hpp"  
  
using namespace cv;  
using namespace std;  
  
#define NUM_SAMPLES 20      //每个像素点的样本个数  
#define MIN_MATCHES 2       //#min指数  
#define RADIUS 20       //Sqthere半径  
#define SUBSAMPLE_FACTOR 16 //子采样概率  
  
  
class ViBe_BGS  
{  
public:  
    ViBe_BGS(void);  
    ~ViBe_BGS(void);  
  
    void init(const Mat _image);   //初始化  
    void processFirstFrame(const Mat _image);  
    void testAndUpdate(const Mat _image);  //更新  
    Mat getMask(void){return m_mask;};  
    void deleteSamples(){delete samples;};  
  
private:  
    unsigned char ***samples;  
//  float samples[1024][1024][NUM_SAMPLES+1];//保存每个像素点的样本值  
  
/* 
    Mat m_samples[NUM_SAMPLES]; 
    Mat m_foregroundMatchCount;*/  
  
    Mat m_mask;  
};  

Vibe.cpp

[cpp] view plaincopy
#include "ViBe.h"  
  
using namespace std;  
using namespace cv;  
  
int c_xoff[9] = {-1,  0,  1, -1, 1, -1, 0, 1, 0};  //x的邻居点  
int c_yoff[9] = {-1,  0,  1, -1, 1, -1, 0, 1, 0};  //y的邻居点  
  
ViBe_BGS::ViBe_BGS(void)  
{  
  
}  
ViBe_BGS::~ViBe_BGS(void)  
{  
  
}  
  
/**************** Assign space and init ***************************/  
void ViBe_BGS::init(const Mat _image)  
{  
    //动态分配三维数组，samples[][][NUM_SAMPLES]存储前景被连续检测的次数  
    samples=new unsigned char **[_image.rows];  
    for (int i=0;i<_image.rows;i++)  
    {  
        samples[i]=new unsigned char *[1024];  
        for (int j=0;j<_image.cols;j++)  
        {  
            samples[i][j]=new unsigned char [NUM_SAMPLES+1];      
            for (int k=0;k<NUM_SAMPLES+1;k++)  
            {  
                samples[i][j][k]=0;  
            }  
              
        }  
          
    }  
    m_mask = Mat::zeros(_image.size(),CV_8UC1);  
}  
  
/**************** Init model from first frame ********************/  
void ViBe_BGS::processFirstFrame(const Mat _image)  
{  
    RNG rng;  
    int row, col;  
  
    for(int i = 0; i < _image.rows; i++)  
    {  
        for(int j = 0; j < _image.cols; j++)  
        {  
            for(int k = 0 ; k < NUM_SAMPLES; k++)  
            {  
                // Random pick up NUM_SAMPLES pixel in neighbourhood to construct the model  
                int random = rng.uniform(0, 9);  
  
                row = i + c_yoff[random];  
                if (row < 0)   
                    row = 0;  
                if (row >= _image.rows)  
                    row = _image.rows - 1;  
  
                col = j + c_xoff[random];  
                if (col < 0)   
                    col = 0;  
                if (col >= _image.cols)  
                    col = _image.cols - 1;  
  
                samples[i][j][k]=_image.at<uchar>(row, col);  
            }  
        }  
    }  
}  
  
/**************** Test a new frame and update model ********************/  
void ViBe_BGS::testAndUpdate(const Mat _image)  
{  
    RNG rng;  
  
    for(int i = 0; i < _image.rows; i++)  
    {  
        for(int j = 0; j < _image.cols; j++)  
        {  
            int matches(0), count(0);  
            int dist;  
  
            while(matches < MIN_MATCHES && count < NUM_SAMPLES)  
            {  
                dist = abs(samples[i][j][count] - _image.at<uchar>(i, j));  
                if (dist < RADIUS)  
                    matches++;  
                count++;  
            }  
  
            if (matches >= MIN_MATCHES)  
            {  
                // It is a background pixel  
                samples[i][j][NUM_SAMPLES]=0;  
  
                // Set background pixel to 0  
                m_mask.at<uchar>(i, j) = 0;  
  
                // 如果一个像素是背景点，那么它有 1 / defaultSubsamplingFactor 的概率去更新自己的模型样本值  
                int random = rng.uniform(0, SUBSAMPLE_FACTOR);  
                if (random == 0)  
                {  
                    random = rng.uniform(0, NUM_SAMPLES);  
                    samples[i][j][random]=_image.at<uchar>(i, j);  
                }  
  
                // 同时也有 1 / defaultSubsamplingFactor 的概率去更新它的邻居点的模型样本值  
                random = rng.uniform(0, SUBSAMPLE_FACTOR);  
                if (random == 0)  
                {  
                    int row, col;  
                    random = rng.uniform(0, 9);  
                    row = i + c_yoff[random];  
                    if (row < 0)   
                        row = 0;  
                    if (row >= _image.rows)  
                        row = _image.rows - 1;  
  
                    random = rng.uniform(0, 9);  
                    col = j + c_xoff[random];  
                    if (col < 0)   
                        col = 0;  
                    if (col >= _image.cols)  
                        col = _image.cols - 1;  
  
                    random = rng.uniform(0, NUM_SAMPLES);  
                    samples[i][j][random]=_image.at<uchar>(i, j);  
                }  
            }  
            else  
            {  
                // It is a foreground pixel  
                samples[i][j][NUM_SAMPLES]++;  
  
                // Set background pixel to 255  
                m_mask.at<uchar>(i, j) = 255;  
  
                //如果某个像素点连续N次被检测为前景，则认为一块静止区域被误判为运动，将其更新为背景点  
                if(samples[i][j][NUM_SAMPLES]>50)  
                {  
                    int random = rng.uniform(0, NUM_SAMPLES);  
                    if (random == 0)  
                    {  
                        random = rng.uniform(0, NUM_SAMPLES);  
                        samples[i][j][random]=_image.at<uchar>(i, j);  
                    }  
                }  
            }  
        }  
    }  
}  

main.cpp

[cpp] view plaincopy
#include "ViBe.h"  
#include <cstdio>  
  
using namespace cv;  
using namespace std;  
  
int main(int argc, char* argv[])  
{  
    Mat frame, gray, mask;  
    VideoCapture capture;  
    capture.open(0);  
    capture.set(CV_CAP_PROP_FRAME_WIDTH,320);  
    capture.set(CV_CAP_PROP_FRAME_HEIGHT,240);  
    if (!capture.isOpened())  
    {  
        cout<<"No camera or video input!\n"<<endl;  
        return -1;  
    }  
  
    ViBe_BGS Vibe_Bgs;  
    bool count =true;  
  
    while (1)  
    {  
        capture >> frame;  
        if (frame.empty())  
            continue;  
  
        cvtColor(frame, gray, CV_RGB2GRAY);  
        if (count)  
        {  
            Vibe_Bgs.init(gray);  
            Vibe_Bgs.processFirstFrame(gray);  
            cout<<" Training ViBe complete!"<<endl;  
            count=false;  
        }  
        else  
        {  
            Vibe_Bgs.testAndUpdate(gray);  
            mask = Vibe_Bgs.getMask();  
            morphologyEx(mask, mask, MORPH_OPEN, Mat());  
            imshow("mask", mask);  
        }  
  
  
        imshow("input", frame);   
  
        if ( cvWaitKey(10) == 27 )  
            break;  
    }  
  
    return 0;  
}  

3、实验结果

图1、背景图

图2、前景图

总结，这里就不再贴太多图出来了，大家可以下载代码自己去玩一玩，挺好玩的，这个算法在作者的论文中被说得各种好，各种极品，但是在我的电脑中没有体现那么神乎其神的效果，可能没有加上其他的一些预处理和后处理的缘故吧，也可能是电脑问题，但是总体来说，这个算法确实也不错，算法原理也容易理解，对Ghost区域也做了很好的处理，但是算法已经申请了专利，做做研究还是可以的，还是有很多发展空间，如果商用，那我就不知道会咋样咯。

0 0