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 輪廓面積小于1500continue(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"):breakcamera.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255th = 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:breakif (cv2.waitKey(30) & 0xFF) == ord('q'):breakcamera.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。此參數不影響后臺更新。@param detectshadows 如果為真，該算法將檢測陰影并標記它們。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。

　　

?

轉載于:https://www.cnblogs.com/venicid/p/8118824.html

總結

以上是生活随笔為你收集整理的13 KNN背景分割器的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。