快捷導(dǎo)航

運(yùn)動(dòng)檢測ViBe算法python實(shí)現(xiàn)代碼

更新時(shí)間：2018年01月09日 11:17:12 作者：孤獨(dú)de雨

這篇文章主要為大家詳細(xì)介紹了運(yùn)動(dòng)檢測ViBe算法python實(shí)現(xiàn)代碼，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下

運(yùn)動(dòng)物體檢測一般分為背景建模和運(yùn)動(dòng)物體分析兩步。即構(gòu)建不包含運(yùn)動(dòng)物體的背景模型。然后將新的視頻幀和背景模型對(duì)比，找出其中的運(yùn)動(dòng)物體。目前比較好的背景建模算法有兩種：1)文章（Zivkovic Z. (2004) Improved adaptive Gausianmixture model for backgroundsubtraction, Proceedings of ICPR 2004, August 23-26, Cambridge, UK.）提出的高斯混合模型法。在此算法中，背景的每一個(gè)像素都被擬合到一個(gè)高斯混合模型。對(duì)于新的圖片，只需要判斷每個(gè)像素是否服從這個(gè)高斯混合模型就可以判斷出這個(gè)像素是背景還是前景。但混合高斯算法的缺點(diǎn)是計(jì)算量相對(duì)比較大，速度偏慢，對(duì)光照敏感。2)文章（ViBe: A universal backgroundsubtraction algorithm for video sequences.）提出的ViBe算法。該算法速度非常快，計(jì)算量比較小，而且對(duì)噪聲有一定的魯棒性，檢測效果不錯(cuò)。

由于最近在做一些跟蹤檢查的研究，就用到了ViBe算法，根據(jù)網(wǎng)上的c++版本編寫了這個(gè)python版的算法，在這分享給大家。

class ViBe: 
 ''''' 
 classdocs 
 ''' 
 __defaultNbSamples = 20  #每個(gè)像素點(diǎn)的樣本個(gè)數(shù) 
 __defaultReqMatches = 2  #min指數(shù) 
 __defaultRadius = 20;   #Sqthere半徑 
 __defaultSubsamplingFactor = 16#子采樣概率 
 __BG = 0      #背景像素 
 __FG = 255      #前景像素 
 __c_xoff=[-1,0,1,-1,1,-1,0,1,0] #x的鄰居點(diǎn) len=9 
 __c_yoff=[-1,0,1,-1,1,-1,0,1,0] #y的鄰居點(diǎn) len=9 
  
 __samples=[]    #保存每個(gè)像素點(diǎn)的樣本值,len defaultNbSamples+1 
 __Height = 0 
 __Width = 0 
 
 def __init__(self, grayFrame): 
  ''''' 
  Constructor 
  ''' 
  self.__Height = grayFrame.shape[0] 
  self.__Width = grayFrame.shape[1] 
   
 
  for i in range(self.__defaultNbSamples+1): 
   self.__samples.insert(i,np.zeros((grayFrame.shape[0],grayFrame.shape[1]),dtype=grayFrame.dtype)); 
    
  self.__init_params(grayFrame) 
  
 def __init_params(self,grayFrame): 
  #記錄隨機(jī)生成的 行(r) 和 列(c) 
  rand=0 
  r=0 
  c=0 
 
  #對(duì)每個(gè)像素樣本進(jìn)行初始化 
  for y in range(self.__Height): 
   for x in range(self.__Width): 
    for k in range(self.__defaultNbSamples): 
     #隨機(jī)獲取像素樣本值 
     rand=random.randint(0,8) 
     r=y+self.__c_yoff[rand] 
     if r<0: 
      r=0 
     if r>=self.__Height: 
      r=self.__Height-1 #行 
     c=x+self.__c_xoff[rand] 
     if c<0: 
      c=0 
     if c>=self.__Width: 
      c=self.__Width-1  #列 
     #存儲(chǔ)像素樣本值 
     self.__samples[k][y,x] = grayFrame[r,c] 
   self.__samples[self.__defaultNbSamples][y,x] = 0 
    
 def update(self,grayFrame,frameNo): 
  foreground = np.zeros((self.__Height,self.__Width),dtype=np.uint8) 
  for y in range(self.__Height): #Height 
   for x in range(self.__Width):  #Width 
    #用于判斷一個(gè)點(diǎn)是否是背景點(diǎn),index記錄已比較的樣本個(gè)數(shù)，count表示匹配的樣本個(gè)數(shù) 
    count=0;index=0; 
    dist=0.0; 
    while (count<self.__defaultReqMatches) and (index<self.__defaultNbSamples): 
     dist= float(grayFrame[y,x]) - float(self.__samples[index][y,x]); 
     if dist<0: dist=-dist 
     if dist<self.__defaultRadius: count = count+1 
     index = index+1 
 
    if count>=self.__defaultReqMatches: 
     #判斷為背景像素,只有背景點(diǎn)才能被用來傳播和更新存儲(chǔ)樣本值 
     self.__samples[self.__defaultNbSamples][y,x]=0 
  
     foreground[y,x] = self.__BG 
  
     rand=random.randint(0,self.__defaultSubsamplingFactor) 
     if rand==0: 
      rand=random.randint(0,self.__defaultNbSamples) 
      self.__samples[rand][y,x]=grayFrame[y,x] 
     rand=random.randint(0,self.__defaultSubsamplingFactor) 
     if rand==0: 
      rand=random.randint(0,8) 
      yN=y+self.__c_yoff[rand] 
      if yN<0: yN=0 
      if yN>=self.__Height: yN=self.__Height-1 
      rand=random.randint(0,8) 
      xN=x+self.__c_xoff[rand] 
      if xN<0: xN=0 
      if xN>=self.__Width: xN=self.__Width-1 
      rand=random.randint(0,self.__defaultNbSamples) 
      self.__samples[rand][yN,xN]=grayFrame[y,x] 
    else: 
     #判斷為前景像素 
     foreground[y,x] = self.__FG; 
     self.__samples[self.__defaultNbSamples][y,x] += 1 
     if self.__samples[self.__defaultNbSamples][y,x]>50: 
      rand=random.randint(0,self.__defaultNbSamples) 
      if rand==0: 
       rand=random.randint(0,self.__defaultNbSamples) 
       self.__samples[rand][y,x]=grayFrame[y,x] 
  return foreground

我做的魚的跟蹤效果圖