基于平均背景建模的运动目标检测（二）

本篇为之前基于背景模型的运动目标检测的续集，之前主要思想是根据100帧图像的平均图像以及相邻帧差值均值图像，建立背景模型，再来做后续的运动物体检测，结果表明虽然可以成功检测，但受噪声干扰很严重。

参考《学习OPENCV》，其去除帧间噪声的方式采用的是对二值图像进行形态学处理（开操作和闭操作），相比较我之前采用的灰度图像去噪方式相比更加直接且有效。

开操作是先腐蚀后膨胀，通常用于去除图像中较小的明亮细节，而保持整体灰度级和较大的明亮特征不变。闭操作是先膨胀后腐蚀，通常用于填充图像中明亮部分的小裂缝。一般去噪则采用开操作+闭操作，首先去除小噪声，其后再修复被腐蚀的明亮区域。

在检测过的二值化图像后采用如下代码：

cvMorphologyEx(Imask,Imask,0,ker,CV_MOP_OPEN,CVCLOSE_ITR);cvMorphologyEx(Imask,Imask,0,ker,CV_MOP_CLOSE,CVCLOSE_ITR);

CVCLOSE_ITR代表腐蚀或者膨胀的次数，迭代次数越多，消除的杂斑越大，但同时代价是侵蚀了较大的边界区域，如下分别是CVCLOSE_ITR=1，CVCLOSE_ITR=2的处理结果

CVCLOSE_ITR=1，大部分噪声去除了，但还是有一些较大块的噪声

CVCLOSE_ITR=2，噪声全部消除（当然只针对此帧而言）

消除噪声后，对检测到的目标进行轮廓计算，目标轮廓检测可以更方便知道目标的位置、大小信息，采用边界框可视化效果更好。

轮廓检测opencv函数：

CvContourScanner scanner = cvStartFindContours(Imask,mem_storage,sizeof(CvContour),CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE);

可以理解为检测Imask图像中的外轮廓（而非洞，即内轮廓），并将轮廓点的信息保存至scanner

对于较小的轮廓，可认为是噪声，可通过轮廓周长对其进行筛选：

double len = cvContourPerimeter(c);  //轮廓长度double q = (Imask->height+Imask->width)/4;   //图像周长的1/4

通过比较两个参数，可以筛选出轮廓周长大于图像周长1/4的轮廓。

对轮廓进行多边形拟合：

CvSeq *c_new = cvApproxPoly(c,sizeof(CvContour),mem_storage,CV_POLY_APPROX_DP,0,0);

用cvBoundingRect函数可以获得轮廓的外接矩形，这些《学习opencv》书上都有。

最后绘制轮廓以及外接矩形：

cvDrawContours(Imask,c,cvScalar(255),cvScalar(255),-1,2,8);cvRectangle(Imask,cvPoint(rect.x,rect.y),cvPoint(rect.x+rect.width,rect.y+rect.height),cvScalar(255),1,8,0);

最终从实验结果中随机截图出几帧：

可以看出，暂时不论受噪声干扰，帧间差分法用来检测运动目标是有一定效果的，整个算法十分简单。但其也有着明显的不足：就是目标检测不完整！由于同物相减为0，在重叠区域会出现缺口。

此外，它也不能区别目标物体离开的位置（空穴，或者上一帧的位置）和目标现在的位置。