Python人工智能之混合高斯模型运动目标检测详解分析

【人工智能项目】混合高斯模型运动目标检测

本次工作主要对视频中运动中的人或物的边缘背景进行检测。
那么走起来瓷！！！

原视频

高斯算法提取工作

import cv2
import numpy as np

# 高斯算法
class gaussian:
   def __init__(self):
       self.mean = np.zeros((1, 3))
       self.covariance = 0
       self.weight = 0;
       self.Next = None
       self.Previous = None

class Node:
   def __init__(self):
       self.pixel_s = None
       self.pixel_r = None
       self.no_of_components = 0
       self.Next = None

class Node1:
   def __init__(self):
       self.gauss = None
       self.no_of_comp = 0
       self.Next = None

covariance0 = 11.0
def Create_gaussian(info1, info2, info3):
   ptr = gaussian()
   if (ptr is not None):
       ptr.mean[1, 1] = info1
       ptr.mean[1, 2] = info2
       ptr.mean[1, 3] = info3
       ptr.covariance = covariance0
       ptr.weight = 0.002
       ptr.Next = None
       ptr.Previous = None

return ptr

def Create_Node(info1, info2, info3):
   N_ptr = Node()
   if (N_ptr is not None):
       N_ptr.Next = None
       N_ptr.no_of_components = 1
       N_ptr.pixel_s = N_ptr.pixel_r = Create_gaussian(info1, info2, info3)

return N_ptr

List_node = []
def Insert_End_Node(n):
   List_node.append(n)

List_gaussian = []
def Insert_End_gaussian(n):
   List_gaussian.append(n)

def Delete_gaussian(n):
   List_gaussian.remove(n);

class Process:
   def __init__(self, alpha, firstFrame):
       self.alpha = alpha
       self.background = firstFrame

def get_value(self, frame):
       self.background = frame * self.alpha + self.background * (1 - self.alpha)
       return cv2.absdiff(self.background.astype(np.uint8), frame)

def denoise(frame):
   frame = cv2.medianBlur(frame, 5)
   frame = cv2.GaussianBlur(frame, (5, 5), 0)

return frame

capture = cv2.VideoCapture('1.mp4')
ret, orig_frame = capture.read( )
if ret is True:
   value1 = Process(0.1, denoise(orig_frame))
   run = True
else:
   run = False

while (run):
   ret, frame = capture.read()
   value = False;
   if ret is True:
       cv2.imshow('input', denoise(frame))
       grayscale = value1.get_value(denoise(frame))
       ret, mask = cv2.threshold(grayscale, 15, 255, cv2.THRESH_BINARY)
       cv2.imshow('mask', mask)
       key = cv2.waitKey(10) & 0xFF
   else:
       break

if key == 27:
       break

if value == True:
       orig_frame = cv2.resize(orig_frame, (340, 260), interpolation=cv2.INTER_CUBIC)
       orig_frame = cv2.cvtColor(orig_frame, cv2.COLOR_BGR2GRAY)
       orig_image_row = len(orig_frame)
       orig_image_col = orig_frame[0]

bin_frame = np.zeros((orig_image_row, orig_image_col))
       value = []

for i in range(0, orig_image_row):
           for j in range(0, orig_image_col):
               N_ptr = Create_Node(orig_frame[i][0], orig_frame[i][1], orig_frame[i][2])
               if N_ptr is not None:
                   N_ptr.pixel_s.weight = 1.0
                   Insert_End_Node(N_ptr)
               else:
                   print("error")
                   exit(0)

nL = orig_image_row
       nC = orig_image_col

dell = np.array((1, 3));
       mal_dist = 0.0;
       temp_cov = 0.0;
       alpha = 0.002;
       cT = 0.05;
       cf = 0.1;
       cfbar = 1.0 - cf;
       alpha_bar = 1.0 - alpha;
       prune = -alpha * cT;
       cthr = 0.00001;
       var = 0.0
       muG = 0.0;
       muR = 0.0;
       muB = 0.0;
       dR = 0.0;
       dB = 0.0;
       dG = 0.0;
       rval = 0.0;
       gval = 0.0;
       bval = 0.0;

while (1):
           duration3 = 0.0;
           count = 0;
           count1 = 0;
           List_node1 = List_node;
           counter = 0;
           duration = cv2.getTickCount( );
           for i in range(0, nL):
               r_ptr = orig_frame[i]
               b_ptr = bin_frame[i]

for j in range(0, nC):
                   sum = 0.0;
                   sum1 = 0.0;
                   close = False;
                   background = 0;

rval = r_ptr[0][0];
                   gval = r_ptr[0][0];
                   bval = r_ptr[0][0];

start = List_node1[counter].pixel_s;
                   rear = List_node1[counter].pixel_r;
                   ptr = start;

temp_ptr = None;
                   if (List_node1[counter].no_of_component > 4):
                       Delete_gaussian(rear);
                       List_node1[counter].no_of_component = List_node1[counter].no_of_component - 1;

for k in range(0, List_node1[counter].no_of_component):
                       weight = List_node1[counter].weight;
                       mult = alpha / weight;
                       weight = weight * alpha_bar + prune;
                       if (close == False):
                           muR = ptr.mean[0];
                           muG = ptr.mean[1];
                           muB = ptr.mean[2];

dR = rval - muR;
                           dG = gval - muG;
                           dB = bval - muB;

var = ptr.covariance;

mal_dist = (dR * dR + dG * dG + dB * dB);

if ((sum < cfbar) and (mal_dist < 16.0 * var * var)):
                               background = 255;

if (mal_dist < (9.0 * var * var)):
                               weight = weight + alpha;
                               if mult < 20.0 * alpha:
                                   mult = mult;
                               else:
                                   mult = 20.0 * alpha;

close = True;

ptr.mean[0] = muR + mult * dR;
                               ptr.mean[1] = muG + mult * dG;
                               ptr.mean[2] = muB + mult * dB;
                               temp_cov = var + mult * (mal_dist - var);
                               if temp_cov < 5.0:
                                   ptr.covariance = 5.0
                               else:
                                   if (temp_cov > 20.0):
                                       ptr.covariance = 20.0
                                   else:
                                       ptr.covariance = temp_cov;

temp_ptr = ptr;

if (weight < -prune):
                           ptr = Delete_gaussian(ptr);
                           weight = 0;
                           List_node1[counter].no_of_component = List_node1[counter].no_of_component - 1;
                       else:
                           sum += weight;
                           ptr.weight = weight;

ptr = ptr.Next;

if (close == False):
                       ptr = gaussian( );
                       ptr.weight = alpha;
                       ptr.mean[0] = rval;
                       ptr.mean[1] = gval;
                       ptr.mean[2] = bval;
                       ptr.covariance = covariance0;
                       ptr.Next = None;
                       ptr.Previous = None;
                       Insert_End_gaussian(ptr);
                       List_gaussian.append(ptr);
                       temp_ptr = ptr;
                       List_node1[counter].no_of_components = List_node1[counter].no_of_components + 1;

ptr = start;
                   while (ptr != None):
                       ptr.weight = ptr.weight / sum;
                       ptr = ptr.Next;

while (temp_ptr != None and temp_ptr.Previous != None):
                       if (temp_ptr.weight <= temp_ptr.Previous.weight):
                           break;
                       else:
                           next = temp_ptr.Next;
                           previous = temp_ptr.Previous;
                           if (start == previous):
                               start = temp_ptr;
                               previous.Next = next;
                               temp_ptr.Previous = previous.Previous;
                               temp_ptr.Next = previous;
                           if (previous.Previous != None):
                               previous.Previous.Next = temp_ptr;
                           if (next != None):
                               next.Previous = previous;
                           else:
                               rear = previous;
                               previous.Previous = temp_ptr;

temp_ptr = temp_ptr.Previous;

List_node1[counter].pixel_s = start;
                   List_node1[counter].pixel_r = rear;
                   counter = counter + 1;

capture.release()
cv2.destroyAllWindows()

createBackgroundSubtractorMOG2

• 背景减法 (BS) 是一种常用且广泛使用的技术，用于通过使用静态相机生成前景蒙版（即，包含属于场景中运动物体的像素的二值图像）。

• 顾名思义，BS 计算前景蒙版，在当前帧和背景模型之间执行减法运算，其中包含场景的静态部分，或者更一般地说，根据观察到的场景的特征，可以将所有内容视为背景。
  

背景建模包括两个主要步骤：

• 后台初始化；

• 背景更新。

在第一步中，计算背景的初始模型，而在第二步中，更新该模型以适应场景中可能的变化。

import cv2

#构造VideoCapture对象
cap = cv2.VideoCapture('1.mp4')

# 创建一个背景分割器
# createBackgroundSubtractorMOG2()函数里，可以指定detectShadows的值
# detectShadows=True，表示检测阴影，反之不检测阴影。默认是true
fgbg  = cv2.createBackgroundSubtractorMOG2()
while True :
   ret, frame = cap.read() # 读取视频
   fgmask = fgbg.apply(frame) # 背景分割
   cv2.imshow('frame', fgmask) # 显示分割结果
   if cv2.waitKey(100) & 0xff == ord('q'):
       break
cap.release()
cv2.destroyAllWindows()

小结

点赞评论走起来，瓷们！！！

来源：https://blog.csdn.net/Mind_programmonkey/article/details/121098588