详解opencv去除背景算法的方法比较

最近做opencv项目时，使用肤色分割的方法检测目标物体时，背景带来的干扰非常让人头痛。于是先将背景分割出去，将影响降低甚至消除。由于初次接触opencv，叙述不当的地方还请指正。

背景减除法

（以下文字原文来源于https://docs.opencv.org/3.4.7/d8/d38/tutorial_bgsegm_bg_subtraction.html）
背景减除法是很多基于视觉的应用的一个主要预处理步骤。例如使用一个静止的摄像头拍摄进出房间的人数，或是交通摄像头捕获车辆信息等。在以上的例子中，首先你需要单独把人和交通工具提取出来。从技术上来说，你需要从静止的背景中提取移动前景目标。

通常情况下，我们的背景往往是未知的，因此需要通过一定的方法得到视频背景，然后用新的图像减去背景图片即可。

在opencv中提供了几种背景减除的方法：

（1）BackgroundSubtractorMOG

这是基于高斯混合模型的算法，混合模型表示了观测数据在总体中的概率分布，高斯分布即正态分布，正态分布如下图：
（图片来源于网络）

而高斯混合模型就是使用高斯分布的混合模型，由于高斯分布具有良好的数学性质和计算性能，它的概率分布遵循高斯分布。

cv2.bgsegm.createBackgroundSubtractorMOG()使用时可以不用传入参数

import cv2

cap = cv2.VideoCapture(0)
fgbg = cv2.bgsegm.createBackgroundSubtractorMOG()
se = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

while cap.isOpened():
   ret, frame = cap.read()

# 用于计算前景掩模
   fgmask = fgbg.apply(frame)
   _, binary = cv2.threshold(fgmask, 215, 255, cv2.THRESH_BINARY)
   binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, se)
   res = cv2.bitwise_and(frame, frame, mask=binary)
   cv2.imshow("res", res)

if cv2.waitKey(1000 // 12) & 0xff == ord('q'):
       break

cap.release()
cv2.destroyAllWindows()

运行结果：

（2）BackgroundSubtractorMOG2

它是改进的高斯混合模型，为各个参数设置了一些合适的值。

import cv2

cap = cv2.VideoCapture(0)
fgbg = cv2.createBackgroundSubtractorMOG2()
se = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

while cap.isOpened():
   ret, frame = cap.read()
   fgmask = fgbg.apply(frame)
   _, binary = cv2.threshold(fgmask, 215, 255, cv2.THRESH_BINARY)
   binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, se)
   backImage = fgbg.getBackgroundImage()
   res = cv2.bitwise_and(frame, frame, mask=binary)
   cv2.imshow("backImage", backImage)
   cv2.imshow("res", res)

if cv2.waitKey(1000 // 12) & 0xff == ord('q'):
       break

cap.release()
cv2.destroyAllWindows()

运行结果：

（3）BackgroundSubtractorGMG

GMG：Geometric Multigid，几何多重网格。它默认使用前120帧图像进行建模，使用贝叶斯推断方法判断可能的前景物体。

import cv2

cap = cv2.VideoCapture(0)
fgbg = cv2.bgsegm.createBackgroundSubtractorGMG()
se = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

while cap.isOpened():
   ret, frame = cap.read()
   fgmask = fgbg.apply(frame)
   _, binary = cv2.threshold(fgmask, 215, 255, cv2.THRESH_BINARY)
   binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, se)
   res = cv2.bitwise_and(frame, frame, mask=binary)
   cv2.imshow("res", res)

if cv2.waitKey(1000 // 12) & 0xff == ord('q'):
       break

cap.release()
cv2.destroyAllWindows()

运行结果：

以上这三种方法对于检测运动物体行之有效，但如果检测静态物体就不适合了。

帧差法

在可以确定背景时采用帧差法，此方法不仅可以用于动态目标检测，也能检测静态目标。
帧差法需要一个变量来检测当前是第几帧。即通过后面的帧减去第一帧得到所需前景。

import cv2

cap = cv2.VideoCapture(0)
frameNum = 0

while cap.isOpened():
   ret, frame = cap.read()
   frameNum += 1
   tmp = frame.copy()

if frameNum == 1:
   bgFrame = cv2.cvtColor(tmp, cv2.COLOR_BGR2GRAY)
   elif frameNum > 1:
   foreFrame = cv2.cvtColor(tmp, cv2.COLOR_BGR2GRAY)
   foreFrame = cv2.absdiff(foreFrame, bgFrame)
   _, thresh = cv2.threshold(foreFrame, 30, 255, cv2.THRESH_BINARY)
   gaussian = cv2.GaussianBlur(thresh, (3, 3), 0)
   cv2.imshow('gaussian', foreFrame)

if cv2.waitKey(1000 // 12) & 0xff == ord('q'):
   break

cap.release()
cv2.destroyAllWindows()

运行结果：

上述除了使用滤波的方法，也可以直接用cv2.subtract()进行图像减法运算。

来源：https://blog.csdn.net/weixin_41076275/article/details/105466958