运动检测（前景检测）之（二）混合高斯模型GMM

来源：互联网发布：java课程设计心得编辑：程序博客网时间：2024/04/28 21:52

目前前景检测的研究还是很多的，也出现了很多新的方法和思路。个人了解的大概概括为以下一些：

帧差、背景减除（GMM、CodeBook、 SOBS、 SACON、 VIBE、 W4、多帧平均……）、光流（稀疏光流、稠密光流）、运动竞争（Motion Competition）、运动模版（运动历史图像）、时间熵……等等。如果加上他们的改进版，那就是很大的一个家族了。

对于上一些方法的一点简单的对比分析可以参考下：

http://www.cnblogs.com/ronny/archive/2012/04/12/2444053.html

推荐一个牛逼的库：http://code.google.com/p/bgslibrary/里面包含了各种背景减除的方法，可以让自己少做很多力气活。

还有王先荣博客上存在不少的分析：

http://www.cnblogs.com/xrwang/archive/2010/02/21/ForegroundDetection.html

下面的博客上转载王先荣的上面几篇，然后加上自己分析了两篇：

http://blog.csdn.net/stellar0

本文主要关注其中的一种背景减除方法：GMM。tornadomeet的博客上对ViBe进行了分析，我这里就不再啰嗦了，具体的理论分析可以参考：

http://www.cnblogs.com/tornadomeet/archive/2012/06/02/2531565.html

里面有了GMM的代码，并有了详细的注释。我之前根据这个代码（在这里，非常感谢tornadomeet）改写了一个Mat格式的版本，现在发上来和大家交流，具体如下：（在VS2010+OpenCV2.4.2中测试通过）。（当然了，OpenCV也已经提供了MOG的背景减除方法）

MOG_BGS.h

#pragma once#include <iostream>#include "opencv2/opencv.hpp"using namespace cv;using namespace std;//定义gmm模型用到的变量 #define GMM_MAX_COMPONT 6//每个GMM最多的高斯模型个数 #define GMM_LEARN_ALPHA 0.005   #define GMM_THRESHOD_SUMW 0.7 #define TRAIN_FRAMES 60// 对前 TRAIN_FRAMES 帧建模class MOG_BGS{public:MOG_BGS(void);~MOG_BGS(void);void init(const Mat _image);void processFirstFrame(const Mat _image);void trainGMM(const Mat _image);void getFitNum(const Mat _image);void testGMM(const Mat _image);Mat getMask(void){return m_mask;}; private:Mat m_weight[GMM_MAX_COMPONT];  //权值Mat m_mean[GMM_MAX_COMPONT];    //均值Mat m_sigma[GMM_MAX_COMPONT];   //方差Mat m_mask;Mat m_fit_num;};

MOG_BGS.cpp

#include "MOG_BGS.h"MOG_BGS::MOG_BGS(void){}MOG_BGS::~MOG_BGS(void){}// 全部初始化为0void MOG_BGS::init(const Mat _image){/****initialization the three parameters ****/     for(int i = 0; i < GMM_MAX_COMPONT; i++)     { m_weight[i] = Mat::zeros(_image.size(), CV_32FC1);         m_mean[i] = Mat::zeros(_image.size(), CV_8UC1);         m_sigma[i] = Mat::zeros(_image.size(), CV_32FC1);     } m_mask = Mat::zeros(_image.size(),CV_8UC1); m_fit_num = Mat::ones(_image.size(),CV_8UC1);}//gmm第一帧初始化函数实现//捕获到第一帧时对高斯分布进行初始化．主要包括对每个高斯分布的权值、期望和方差赋初值．//其中第一个高斯分布的权值为1，期望为第一个像素数据．其余高斯分布权值为0，期望为0．//每个高斯分布都被赋予适当的相等的初始方差 15void MOG_BGS::processFirstFrame(const Mat _image){for(int i = 0; i < GMM_MAX_COMPONT; i++)    {if (i == 0){m_weight[i].setTo(1.0);_image.copyTo(m_mean[i]);m_sigma[i].setTo(15.0);}else{m_weight[i].setTo(0.0);m_mean[i].setTo(0);m_sigma[i].setTo(15.0);}    }} // 通过新的帧来训练GMMvoid MOG_BGS::trainGMM(const Mat _image){for(int i = 0; i < _image.rows; i++){for(int j = 0; j < _image.cols; j++){             int num_fit = 0; /**************************** Update parameters Start ******************************************/             for(int k = 0 ; k < GMM_MAX_COMPONT; k++)             { int delm = abs(_image.at<uchar>(i, j) - m_mean[k].at<uchar>(i, j)); long dist = delm * delm; // 判断是否匹配：采样值与高斯分布的均值的距离小于3倍方差（表示匹配）                 if( dist < 3.0 * m_sigma[k].at<float>(i, j))                  { // 如果匹配                     /****update the weight****/                     m_weight[k].at<float>(i, j) += GMM_LEARN_ALPHA * (1 - m_weight[k].at<float>(i, j));                      /****update the average****/                     m_mean[k].at<uchar>(i, j) += (GMM_LEARN_ALPHA / m_weight[k].at<uchar>(i, j)) * delm;                      /****update the variance****/                     m_sigma[k].at<float>(i, j) += (GMM_LEARN_ALPHA / m_weight[k].at<float>(i, j)) * (dist - m_sigma[k].at<float>(i, j));                 }                 else {// 如果不匹配。则该该高斯模型的权值变小                     m_weight[k].at<float>(i, j) += GMM_LEARN_ALPHA * (0 - m_weight[k].at<float>(i, j));                     num_fit++; // 不匹配的模型个数                 }                     }  /**************************** Update parameters End ******************************************/ /*********************** Sort Gaussian component by 'weight / sigma' Start ****************************/             //对gmm各个高斯进行排序,从大到小排序,排序依据为 weight / sigma             for(int kk = 0; kk < GMM_MAX_COMPONT; kk++)             {                 for(int rr=kk; rr< GMM_MAX_COMPONT; rr++)                 {                     if(m_weight[rr].at<float>(i, j)/m_sigma[rr].at<float>(i, j) > m_weight[kk].at<float>(i, j)/m_sigma[kk].at<float>(i, j))                     {                         //权值交换                         float temp_weight = m_weight[rr].at<float>(i, j);                         m_weight[rr].at<float>(i, j) = m_weight[kk].at<float>(i, j);                         m_weight[kk].at<float>(i, j) = temp_weight;                          //均值交换                         uchar temp_mean = m_mean[rr].at<uchar>(i, j);                         m_mean[rr].at<uchar>(i, j) = m_mean[kk].at<uchar>(i, j);                         m_mean[kk].at<uchar>(i, j) = temp_mean;                          //方差交换                         float temp_sigma = m_sigma[rr].at<float>(i, j);                         m_sigma[rr].at<float>(i, j) = m_sigma[kk].at<float>(i, j);                         m_sigma[kk].at<float>(i, j) = temp_sigma;                     }                 }             } /*********************** Sort Gaussian model by 'weight / sigma' End ****************************/  /*********************** Create new Gaussian component Start ****************************/             if(num_fit == GMM_MAX_COMPONT && 0 == m_weight[GMM_MAX_COMPONT - 1].at<float>(i, j))             { //if there is no exit component fit,then start a new component //当有新值出现的时候，若目前分布个数小于M，新添一个分布，以新采样值作为均值，并赋予较大方差和较小权值                  for(int k = 0 ; k < GMM_MAX_COMPONT; k++)                 {                     if(0 == m_weight[k].at<float>(i, j)) { m_weight[k].at<float>(i, j) = GMM_LEARN_ALPHA; m_mean[k].at<uchar>(i, j) = _image.at<uchar>(i, j); m_sigma[k].at<float>(i, j) = 15.0;                         //normalization the weight,let they sum to 1                         for(int q = 0; q < GMM_MAX_COMPONT && q != k; q++)                         {//对其他的高斯模型的权值进行更新，保持权值和为1                             /****update the other unfit's weight,u and sigma remain unchanged****/                             m_weight[q].at<float>(i, j) *= (1 - GMM_LEARN_ALPHA);                         }                         break; //找到第一个权值不为0的即可                      }                                              }             }             else if(num_fit == GMM_MAX_COMPONT && m_weight[GMM_MAX_COMPONT -1].at<float>(i, j) != 0)             { //如果GMM_MAX_COMPONT都曾经赋值过，则用新来的高斯代替权值最弱的高斯，权值不变，只更新均值和方差                 m_mean[GMM_MAX_COMPONT-1].at<uchar>(i, j) = _image.at<uchar>(i, j);                 m_sigma[GMM_MAX_COMPONT-1].at<float>(i, j) = 15.0;             } /*********************** Create new Gaussian component End ****************************/         }}} //对输入图像每个像素gmm选择合适的高斯分量个数 //排序后最有可能是背景分布的排在最前面，较小可能的短暂的分布趋向于末端．我们将排序后的前fit_num个分布选为背景模型; //在排过序的分布中，累积概率超过GMM_THRESHOD_SUMW的前fit_num个分布被当作背景模型，剩余的其它分布被当作前景模型．void MOG_BGS::getFitNum(const Mat _image){for(int i = 0; i < _image.rows; i++){for(int j = 0; j < _image.cols; j++){float sum_w = 0.0;//重新赋值为0，给下一个像素做累积for(uchar k = 0; k < GMM_MAX_COMPONT; k++){sum_w += m_weight[k].at<float>(i, j);if(sum_w >= GMM_THRESHOD_SUMW)//如果这里THRESHOD_SUMW=0.6的话，那么得到的高斯数目都为1，因为每个像素都有一个权值接近1                {                     m_fit_num.at<uchar>(i, j) = k + 1;                     break;                }}}}} //gmm测试函数的实现void MOG_BGS::testGMM(const Mat _image){for(int i = 0; i < _image.rows; i++){for(int j = 0; j < _image.cols; j++){int k = 0;for( ; k < m_fit_num.at<uchar>(i, j); k++){if(abs(_image.at<uchar>(i, j) - m_mean[k].at<uchar>(i, j)) < (uchar)( 2.5 * m_sigma[k].at<float>(i, j))){m_mask.at<uchar>(i, j) = 0;break;}}if(k == m_fit_num.at<uchar>(i, j)){m_mask.at<uchar>(i, j) = 255;}}}}

Main.cpp

// This is based on the "An Improved Adaptive Background Mixture Model for// Real-time Tracking with Shadow Detection" by P. KaewTraKulPong and R. Bowden// Author : zouxy// Date   : 2013-4-13// HomePage : http://blog.csdn.net/zouxy09// Email  : zouxy09@qq.com#include "opencv2/opencv.hpp"#include "MOG_BGS.h"#include <iostream>#include <cstdio>using namespace cv;using namespace std;int main(int argc, char* argv[]){Mat frame, gray, mask;VideoCapture capture;capture.open("video.avi");if (!capture.isOpened()){cout<<"No camera or video input!\n"<<endl;return -1;}MOG_BGS Mog_Bgs;int count = 0;while (1){count++;capture >> frame;if (frame.empty())break;cvtColor(frame, gray, CV_RGB2GRAY);if (count == 1){Mog_Bgs.init(gray);Mog_Bgs.processFirstFrame(gray);cout<<" Using "<<TRAIN_FRAMES<<" frames to training GMM..."<<endl;}else if (count < TRAIN_FRAMES){Mog_Bgs.trainGMM(gray);}else if (count == TRAIN_FRAMES){Mog_Bgs.getFitNum(gray);cout<<" Training GMM complete!"<<endl;}else{Mog_Bgs.testGMM(gray);mask = Mog_Bgs.getMask();morphologyEx(mask, mask, MORPH_OPEN, Mat());erode(mask, mask, Mat(7, 7, CV_8UC1), Point(-1, -1));  // You can use Mat(5, 5, CV_8UC1) here for less distortiondilate(mask, mask, Mat(7, 7, CV_8UC1), Point(-1, -1));imshow("mask", mask);}imshow("input", frame);if ( cvWaitKey(10) == 'q' )break;}return 0;}

1 0