13 KNN背景分割器

傳統的前景背景分割方法有GrabCut，分水嶺算法，當然也包括一些閾值分割的算法。但是這些算法在應用中往往顯得魯棒性較弱，達不到一個好的分割效果。

現代的背景分割算法融入了機器學習的一些方法來提高分類的效果。如KNN，混合高斯（MOG2）,Geometric Multigrid。這些算法的基本原理就是對每一幀圖像的環境進行學習，從而推斷出背景區域。

opencv的BackgroundSubtractor提供了這些現代的背景分割算法。

 

1.思想

1.定義1個KNN背景分割器對象
2.定義視頻對象

while True：
    
    3.一幀幀讀取視頻
    4.計算前景掩碼
    
    5.二值化操作
    6.膨脹操作

    7.查找輪廓
    8.輪廓篩選
    9.畫出輪廓（在原圖像）
 
    10.顯示圖像幀，

　　

2。代碼

#-*- coding:utf-8 -*-
import cv2
import numpy as np

# 1.常見一個BackgroundSubtractorKNN接口
bs = cv2.createBackgroundSubtractorKNN(detectShadows=True)

#2.讀取視頻
camera = cv2.VideoCapture('traffic.flv')

#定義卷積核圓形
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))

while True:
    ret,frame = camera.read()

    #3. apply()函數計算了前景掩碼
    fgmask = bs.apply(frame)

    #4. 獲得前景掩碼（含有白色值以及陰影的灰色值），通過設定閾值將非白色（244~255）的所有像素都設為0，而不是1；
    th = cv2.threshold(fgmask.copy(),244,255,cv2.THRESH_BINARY)[1]    #二值化操作

    dilated = cv2.dilate(th,kernel,iterations =2)    #5.膨脹操作
                #cv2.getStructuringElement 構建一個橢圓形的核
                #3x3卷積核中有2個1那就設置為1


    #6. findContours函數參數說明cv2.RETR_EXTERNAL只檢測外輪廓，
    # cv2.CHAIN_APPROX_SIMPLE只存儲水平，垂直，對角直線的起始點。
    image,contours,hier = cv2.findContours(dilated,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)    #查找輪廓


    for c in contours:    #從list列表取出每個輪廓
        if cv2.contourArea(c) < 1500:    #進行輪廓篩選 輪廓面積小於1500
            continue

        (x,y,w,h) = cv2.boundingRect(c)
        cv2.rectangle(frame,(x,y),(x+w,y+h),(0,255,0),2)



    cv2.imshow("mog",fgmask)
    cv2.imshow("thresh",th)
    cv2.imshow("detection",frame)

    if cv2.waitKey(100) & 0xff == ord("q"):
        break

camera.release()
cv2.destroyAllWindows()

 

 

# coding:utf-8
import cv2
import numpy as np
#from MyCvUtils import MyCvUtils

#datapath = "D:/imgData/video/"

bs = cv2.createBackgroundSubtractorKNN(detectShadows=True)
camera = cv2.VideoCapture("traffic.flv")

ret, frame = camera.read()

while True:
    ret, frame = camera.read()
    # 計算前景掩碼，包含 前景的白色值 以及 陰影的灰色值
    fgmask = bs.apply(frame)
    # 前景區域二值化，將非白色（0-244）的非前景區域（包含背景以及陰影）均設為0，前景的白色（244-255）設置為255
    th = cv2.threshold(fgmask.copy(), 244, 255, cv2.THRESH_BINARY)[1]
    # 前景區域形態學處理
    th = cv2.erode(th, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)), iterations=2)
    dilated = cv2.dilate(th, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (8, 3)), iterations=2)
    # 繪制前景圖像的輪廓矩形
    image, contours, hier = cv2.findContours(dilated, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    for c in contours:
        #       對輪廓設置最小區域，對檢測結果降噪
        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", fgmask)
    cv2.imshow("thresh", th)
    cv2.imshow("diff", frame & cv2.cvtColor(fgmask, cv2.COLOR_GRAY2BGR))
    cv2.imshow("detection", frame)

    if (cv2.waitKey(30) & 0xFF) == 27:
        break
    if (cv2.waitKey(30) & 0xFF) == ord('q'):
        break

camera.release()
cv2.destroyAllWindows()

 

 

 3.效果圖

 

 

 

 4.源碼KNN

def createBackgroundSubtractorKNN(history=None, dist2Threshold=None, detectShadows=None): # real signature unknown; restored from __doc__
    """
    createBackgroundSubtractorKNN([, history[, dist2Threshold[, detectShadows]]]) -> retval
    .   @brief Creates KNN Background Subtractor

    .   @param history    
Length of the history.
    .   @param dist2Threshold      
Threshold on the squared distance between the pixel and the sample to decide whether a pixel is close to that sample. This parameter does not affect the background update.
    .   @param detectShadows    
If true, the algorithm will detect shadows and mark them. It decreases the speed a bit, so if you do not need this feature, set the parameter to false.
    """
    pass

 

 

@簡單創建KNN背景減法器

@param歷史
歷史長度。

@param dist2threshold
閾值像素和樣本之間的平方距離，以決定像素是否接近該樣本。此參數不影響后台更新。

@param detectshadows
如果為真，該算法將檢測陰影並標記它們。它會稍微降低速度，所以如果您不需要這個特性，請將參數設置為false。