Python使用背景差分器實現(xiàn)運動物體檢測

更新時間：2022年02月08日 14:21:37 作者：ReadyGo!!!

目前，許多運動檢測技術都是基于簡單的背景差分概念的，因此本文將基于背景差分器（MOG背景差分器和KNN背景差分器）來實現(xiàn)運動物體的檢測，感興趣的可以了解一下

前言

目前，許多運動檢測技術都是基于簡單的背景差分概念的，即假設攝像頭（視頻）的曝光和場景中的光照條件是穩(wěn)定的，當攝像頭捕捉到新的幀時，我們可以從參考圖像中減去該幀，并取這個差的絕對值，以獲得幀中每個像素位置的運動測量值。如果幀的任何區(qū)域與參考圖像有很大的不同，我們就認為給定區(qū)域中是一個運動物體。

本文主要簡單介紹基本背景差分器，詳細介紹MOG背景差分器，KNN背景差分器。

一、基本背景差分器

首先，基本背景差分器可以很好地實現(xiàn)運動物體的檢測，代碼實現(xiàn)參考此鏈接

其特點是：此腳本不會動態(tài)更新背景圖像，即當一個運動的物體靜止后，此腳本仍然會標記此物體，除非此物體消失在窗口中，甚至當攝像頭運動或者光線變化時，此腳本會直接標記整個窗口直到程序結束。

如果我們希望腳本能夠動態(tài)的更新背景模型，即當運動物體靜止后，靜止物體會被納入背景，標記會逐漸消失，這時，我們就可以采用更靈活、更智能的背景差分器（如MOG背景差分器、KNN背景差分器）。

二、MOG背景差分器

OpenCV提供了一個名為 cv2.BackgroundSubtractor 的類，它有實現(xiàn)各種背景差分算法的子類。

對于MOG背景差分器，OpenCV有兩種實現(xiàn)，分別命名為：cv2.BackgroundSubtractorMOG 和 cv2.BackgroundSubtractorMOG2，后者是最新改進的實現(xiàn)，增加了對陰影檢測的支持，我們將使用它。

流程

1.導入OpenCV，初始化MOG背景差分器，定義erode（腐蝕）、dilate（膨脹）運算的核大小

import cv2
 
bg_subtractor = cv2.createBackgroundSubtractorMOG2(detectShadows=True)
 
erode_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
dilate_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7))

初始化函數(shù)中接收一個參數(shù)detectShadows，將其設置為True，就會標記出陰影區(qū)域，而不會標記為前景的一部分。

使用腐蝕與膨脹的形態(tài)學操作是為了抑制一些細微的振動頻率。

2.捕捉攝像頭幀，并使用MOG差分器獲得背景掩膜

cap = cv2.VideoCapture(0)
success, frame = cap.read()
while success:
 
    fg_mask = bg_subtractor.apply(frame)

當我們把每一幀傳遞給背景差分器的 apply 方法時，差分器就會更新它的內(nèi)部背景模型，然后返回一個掩膜。

其中，前景部分的掩膜是白色（255），陰影部分的掩膜是灰色（127），背景部分的掩膜是黑色（0）

3.然后對掩膜應用閾值來獲得純黑白圖像，并通過形態(tài)學運算對閾值化圖像進行平滑處理。

    _, thresh = cv2.threshold(fg_mask, 244, 255, cv2.THRESH_BINARY)
    cv2.erode(thresh, erode_kernel, thresh, iterations=2)
    cv2.dilate(thresh, dilate_kernel, thresh, iterations=2)

（本示例中，我們開啟了陰影檢測，但我們?nèi)匀幌氚殃幱罢J為是背景，所以對掩膜應用一個接近白色（244）的閾值）

4.現(xiàn)在，如果我們直接查看閾值化后的圖像，會發(fā)現(xiàn)運動物體呈現(xiàn)白色斑點，我們想找到白色斑點的輪廓，并在其周圍繪制輪廓。其中，我們將應用一個基于輪廓面積的閾值，如果輪廓太小，就認為它不是真正的運動物體（或者不使用此閾值），檢測輪廓與繪制邊框的代碼：

    contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL,
                                          cv2.CHAIN_APPROX_SIMPLE)
 
    for c in contours:
        if cv2.contourArea(c) > 1000:
            x, y, w, h = cv2.boundingRect(c)
            cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 255, 0), 2)

5.顯示掩膜圖像/閾值化圖像/檢測結果圖像，繼續(xù)讀取幀，直到按下ESC退出。

    cv2.imshow('mog', fg_mask)
    cv2.imshow('thresh', thresh)
    cv2.imshow('detection', frame)
 
    k = cv2.waitKey(30)
    if k == 27:  # Escape
        break
 
    success, frame = cap.read()

代碼編寫

import cv2
 
OPENCV_MAJOR_VERSION = int(cv2.__version__.split('.')[0])
 
bg_subtractor = cv2.createBackgroundSubtractorMOG2(detectShadows=True)
 
erode_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
dilate_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7))
 
cap = cv2.VideoCapture(0)
success, frame = cap.read()
while success:
 
    fg_mask = bg_subtractor.apply(frame)
 
    _, thresh = cv2.threshold(fg_mask, 244, 255, cv2.THRESH_BINARY)
    cv2.erode(thresh, erode_kernel, thresh, iterations=2)
    cv2.dilate(thresh, dilate_kernel, thresh, iterations=2)
 
    if OPENCV_MAJOR_VERSION >= 4:
        # OpenCV 4 or a later version is being used.
        contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL,
                                          cv2.CHAIN_APPROX_SIMPLE)
    else:
        # OpenCV 3 or an earlier version is being used.
        # cv2.findContours has an extra return value.
        # The extra return value is the thresholded image, which is
        # unchanged, so we can ignore it.
        _, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL,
                                             cv2.CHAIN_APPROX_SIMPLE)
 
    for c in contours:
        if cv2.contourArea(c) > 1000:
            x, y, w, h = cv2.boundingRect(c)
            cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 255, 0), 2)
 
 
    cv2.imshow('mog', fg_mask)
    cv2.imshow('thresh', thresh)
    cv2.imshow('detection', frame)
 
    k = cv2.waitKey(30)
    if k == 27:  # Escape
        break
 
    success, frame = cap.read()
 
cap.release()
cv2.destroyAllWindows()

注意：當我們啟用陰影檢測時，我們可以通過一個閾值來移除掩膜上的陰影和反射部分，從而使得檢測能夠準確地框選到實際運動物體（本示例）。如果我們禁用陰影檢測，那么倒影或者反射部分可能都會被框選，從而影響檢測真正運動物體的準確性。

三、KNN背景差分器

通過修改MOG背景差分腳本的很一小部分代碼，即可使用不同的背景差分算法以及不同的形態(tài)學參數(shù)。

1.用cv2.createBackgroundSubtractorKNN替換cv2.createBackgroundSubtractorMOG2，就可以使用基于KNN聚類（而不是MOG聚類）的背景差分器：

bg_subtractor = cv2.createBackgroundSubtractorKNN(detectShadows=True)

（注意：KNN背景差分器仍然支持detectShadows參數(shù)與apply方法）

修改完成之后，就可以使用KNN背景差分器了，可見修改量非常少。

2.當然，此處我們可以使用稍微好點的適應于水平細長物體的形態(tài)學核（本例中檢測的是運動的汽車，視頻地址（GitHub,可下載）：traffic.flv），并使用此視頻作為輸入

erode_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 5))
dilate_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (17, 11))
 
cap = cv2.VideoCapture('E:/traffic.flv')

3.最后一個小細節(jié)，我們將掩膜窗口標題從“mog”更改為“knn”