OpenCV 基於混合高斯模型GMM的運動目標檢測

OpenCV的video module中包含了幾種較為常用的背景減除方法，其中混合高斯模型（Gaussian of Mixture Models, GMM）方法效果較好。

常用的目標檢測方法：1）幀間差分；2）背景減除；

其中背景減除方法的關鍵在於建立一個魯棒的背景模型（背景圖像），常用的建立背景模型方法有：

1）均值法；2）中值法；3）滑動平均濾波法；4）單高斯；5）混合高斯模型；6）codebook，等。

混合高斯模型的原理：

每個像素的R、G、B三個通道像素值的變化分別由一個混合高斯模型分布來刻畫。這樣的好處在於，同一個像素位置處可以呈現多個模態的像素值變化（例如水波紋，晃動的葉子等）。

GMM的出處：Adaptive background mixture models for real-time tracking （1999年由Chris Stau er提出）

OpenCV版本：2.4.2

下面的代碼實現了基於GMM的運動目標檢測，同時能夠消除運動陰影； （基於文獻：Improved adaptive Gausian mixture model for background subtraction）

//  基於混合高斯模型的運動目標檢測
//  Author： http://blog.csdn.net/icvpr 

#include <iostream>
#include <string>

#include <opencv2/opencv.hpp>

int main(int argc, char** argv)
{
 std::string videoFile = "../test.avi";

 cv::VideoCapture capture;
 capture.open(videoFile);

 if (!capture.isOpened())
 {
  std::cout<<"read video failure"<<std::endl;
  return -1;
 }

 cv::BackgroundSubtractorMOG2 mog;

 cv::Mat foreground;
 cv::Mat background;

 cv::Mat frame;
 long frameNo = 0;
 while (capture.read(frame))
 {
  ++frameNo;

  std::cout<<frameNo<<std::endl;

  // 運動前景檢測，並更新背景
  mog(frame, foreground, 0.001);     
 
  // 腐蝕
  cv::erode(foreground, foreground, cv::Mat());
 
  // 膨脹
  cv::dilate(foreground, foreground, cv::Mat());

  mog.getBackgroundImage(background);  // 返回當前背景圖像

  cv::imshow("video", foreground);
  cv::imshow("background", background);

  if (cv::waitKey(25) > 0)
  {
   break;
  }
 }
 

 return 0;
}

實驗結果：

當前幀圖像

當前背景圖像

前景圖像

經過腐蝕和膨脹處理後的前景圖像

（白色為運動目標區域；灰色為陰影區域；黑色為背景）