高斯混合背景建模

BackgroundSubtractor類

背景/前景分割的基類

該類僅用于定義整個背景/前景分割算法族的公共接口

operator()

計算前景掩碼

void BackgroundSubtractor::operator()(InputArray image, OutputArray fgmask, double learningRate=0) //image – 下一視頻幀。 fgmask – 輸出前景掩碼為8位二進制映像。

getBackgroundImage

計算背景圖像

void BackgroundSubtractor::getBackgroundImage(OutputArray backgroundImage) const //backgroundImage – 輸出的背景圖像

BackgroundSubtractorMOG

繼承自BackgroundSubtractor,基于高斯混合的背景/前景分割算法

構造函數

BackgroundSubtractorMOG::BackgroundSubtractorMOG()
BackgroundSubtractorMOG::BackgroundSubtractorMOG(int history, int nmixtures, double backgroundRatio, double noiseSigma=0)

history

歷史幀的數目; nmixtures - 混合高斯數量; backgroundRatio - 背景比例; noiseSigma - 噪聲權重

BackgroundSubtractorMOG2

繼承自BackgroundSubtractor,基于高斯混合的背景/前景分割算法2

構建類的實例后,可以設置類的重要成員:

  • int nmixtures - 混合組件最大允許數。實際數量是根據每個像素動態確定的。
  • float backgroundRatio - 閾值定義組件是否足夠顯著以包括到背景模型中。 cf = 0.1 => TB = 0.9是默認值。對于α= 0.001,這意味著在被認為是前景之前,該模式應存在大約105幀。
  • float varThresholdGen - 幫助決定樣品何時接近現有組分(對應于Tg)的馬氏距離平方的閾值。如果它不靠近任何組件,則會生成一個新組件。默認為3 sigma => Tg = 3 * 3 = 9。較小的Tg值產生更多的組分。較高的Tg值可能導致少量的組分,但它們可能生長得太大。
  • float fVarInit - 新生成的組件的初始方差。它影響適應的速度。參數值基于您對圖像的典型標準偏差的估計。 OpenCV使用15作為合理的值。
  • float fVarMin - 用于進一步控制方差的參數。
  • float fVarMax - 用于進一步控制方差的參數。
  • float fCT - 復雜性降低參數。此參數定義接受證明組件存在所需的樣本數。 CT = 0.05是所有樣本的默認值。通過設置CT = 0,您得到的算法非常類似于標準的Stauffer&Grimson算法。
  • uchar nShadowDetection - 用于在輸出前景蒙版中標記陰影像素的值。默認值為127。
  • float fTau - 陰影閾值。如果像素是背景的較暗版本,則檢測到陰影。 Tau是一個閾值,定義陰影可以有多深。 Tau = 0.5意味著如果一個像素多于兩倍暗,那么它不是陰影。

構造函數

BackgroundSubtractorMOG2::BackgroundSubtractorMOG2()
BackgroundSubtractorMOG2::BackgroundSubtractorMOG2(int history, float varThreshold, bool bShadowDetection=1)

history – 歷史幀的數目。 varThreshold – 馬氏平方距離上使用的來判斷是否為背景的閾值。bShadowDetection – 是否使用陰影檢測。

getBackgroundImage

返回背景圖像

void BackgroundSubtractorMOG2::getBackgroundImage(OutputArray backgroundImage)

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 228,443評論 6 532
  • 序言:濱河連續發生了三起死亡事件,死亡現場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機,發現死者居然都...
    沈念sama閱讀 98,530評論 3 416
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 176,407評論 0 375
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 62,981評論 1 312
  • 正文 為了忘掉前任,我火速辦了婚禮,結果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當我...
    茶點故事閱讀 71,759評論 6 410
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發上,一...
    開封第一講書人閱讀 55,204評論 1 324
  • 那天,我揣著相機與錄音,去河邊找鬼。 笑死,一個胖子當著我的面吹牛,可吹牛的內容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 43,263評論 3 441
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 42,415評論 0 288
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當地人在樹林里發現了一具尸體,經...
    沈念sama閱讀 48,955評論 1 336
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 40,782評論 3 354
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發現自己被綠了。 大學時的朋友給我發了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 42,983評論 1 369
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 38,528評論 5 359
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質發生泄漏。R本人自食惡果不足惜,卻給世界環境...
    茶點故事閱讀 44,222評論 3 347
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 34,650評論 0 26
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 35,892評論 1 286
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 51,675評論 3 392
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 47,967評論 2 374

推薦閱讀更多精彩內容