转载自：https://zhuanlan.zhihu.com/p/90103849

所谓背景建模，就是将背景识别出来，与前景进行区分的过程。

帧差法

由于场景中的目标在运动，目标的影像在不同帧中的位置不同，该类算法对图像上的连续两帧进行差分运算，不同帧对应的像素点相减，判断灰度差的绝对值，当绝对值超过一定阈值，即可判断运动目标，从而实现目标检测功能。

帧差法会引入噪声和空洞问题。

混合高斯模型

在进行前景检测前，先对背景进行训练，对图像中每个背景采用一个混合高斯模型进行模拟，每个背景的混合高斯的个数可以自适应。然后在测试阶段，对新来的像素进行GMM匹配，如果该像素值能够匹配其中一个高斯，则认为是背景，否则认为是前景。由于整个过程GMM模型在不断更新学习中，所以对动态背景有一定的鲁棒性。最后通过对一个有树枝摇摆的动态背景进行前景检测，取得了较好的效果。

混合高斯模型学习方法

1.首先初始化每个高斯模型矩阵参数。

2.取视频中T帧数据图像用来训练高斯混合模型。来了第一个像素之后用它来当做第一个高斯分布。

3.当后面来的像素值时，与前面已有的高斯的均值比较，如果该像素点的值与其模型均值差在3倍的方差内，则属于该分布，并对其进行参数更新。

4.如果下一次来的像素不满足当前高斯分布，用它来创建一个新的高斯分布。

混合高斯模型测试方法

在测试阶段，对新来像素点的值与混合高斯模型中的每一个均值进行比较，如果其差值在2倍的方差之间的话，则认为是背景，否则认为是前景。将前景赋值为255，背景赋值为0。这样就形成了一副前景二值图（如下图所示）。

代码：

 1 import numpy as np
 2 import cv2
 3 
 4 # 经典的测试视频
 5 cap = cv2.VideoCapture('test.avi')
 6 
 7 kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
 8 
 9 # 创建混合高斯模型
10 fgbg = cv2.createBackgroundSubtractorMOG2()
11 
12 while(True):
13     # 从视频中读取数据
14     ret, frame = cap.read()
15     fgmask = fgbg.apply(frame)
16 
17     # print(frame)
18 
19     #形态学开运算去噪点（先腐蚀，再膨胀）
20     fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel)
21     cv2.imshow('fgmask', fgmask)
22     #寻找视频中的轮廓
23 
24     # im, contours, hierarchy = cv2.findContours(fgmask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
25     contours, hierarchy = cv2.findContours(fgmask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
26 
27     for c in contours:
28         #计算各轮廓的周长
29         perimeter = cv2.arcLength(c,True)
30         if perimeter > 188:
31             #找到一个直矩形（不会旋转）
32             x,y,w,h = cv2.boundingRect(c)
33             #画出这个矩形
34             cv2.rectangle(frame,(x,y),(x+w,y+h),(0,255,0),2)    
35 
36     cv2.imshow('frame',frame)
37     
38     k = cv2.waitKey(150) & 0xff
39     if k == 27:
40         break
41 
42 cap.release()
43 cv2.destroyAllWindows()