幀差法
由于場景中的目標在運動，目標的影像在不同圖像幀中的位置不同。該類算法對時間上連續的兩幀圖像進行差分運算，不同幀對應的像素點相減，判斷灰度差的絕對值，當絕對值超過一定閾值時，即可判斷為運動目標，從而實現目標的檢測功能。
幀差法很簡單，但會引入噪音和空洞問題
混合高斯模型
在進行前景檢測前，先對背景進行訓練，對圖像中每一個背景采用一個混合高斯模型進行模擬，每個背景的混合高斯的個數可以自適應，然后在測試階段，對新來的像素進行GMM匹配，如果該像素值能夠匹配其中一個高斯，則認為是背景，否則認為是前景。由于整個過程GMM模型在不斷的更新學習中，所以對動態背景有一定的魯棒性。最后通過對一個有樹枝搖擺的動態背景進行前景檢測，取得了較好的效果。
在視頻中對于像素點的變化情況應當是符合高斯分布
背景的實際分布應當是多個高斯分布混合在一起，每個高斯模型也可以帶有權重
混合高斯模型學習方法
1，首先初始化每個高斯模型矩陣參數
2，取視頻中T幀數據圖像用來訓練高斯混合模型。來了第一個像素之后用它來當作第一個高斯分布
3，當后面來的像素值時，與前面已有的高斯的均值比較，如果該像素點的值與其模型均值差在3倍的方差內，則屬于該分布，并對其進行參數更新
4，如果下次來的像素不滿足當前高斯分布，用它來創建一個新的高斯分布
混合高斯模型測試方法
在測試階段，對新來的像素點的值與混合高斯模型中的每一個均值進行比較，如果其差值在2倍的方差之間的話，則認為是背景，否則認為是前景。將前景賦值為255，背景賦值為0。這樣就形成了一副前景二值圖。
import numpy as np
import cv2#E:\Jupyter_workspace\study\data/a.mp4視頻最好為攝像頭捕獲得錄像，這樣得話，相對大的背景不會變化，變化的無非是行人和車輛，較為容易判別處理
cap = cv2.VideoCapture('E:\Jupyter_workspace\study\data/a.mp4')#經典的測試視頻
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))#形態學操作需要使用
fgbg = cv2.createBackgroundSubtractorMOG2()#創建混合高斯模型用于背景建模while(True):ret, frame = cap.read()#一幀一幀讀取視頻fgmask = fgbg.apply(frame)#將獲取到的每一幀圖像都應用到當前的背景提取當中，前景255，背景0fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel)#形態學中開運算去掉噪音點im, contours, hierarchy = cv2.findContours(fgmask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)#尋找視頻中的輪廓for c in contours:perimeter = cv2.arcLength(c,True)#計算各輪廓的周長if perimeter >188:x,y,w,h = cv2.boundingRect(c)#找到一個直矩陣(不會旋轉)cv2.rectangle(frame,(x,y),(x+w,y+h),(0,255,0),2)#畫出這個矩陣cv2.imshow('frame',frame)cv2.imshow('fgmask',fgmask)k = cv2.waitKey(100) & 0xffif k ==27:#Esc退出breakcap.release()
cv2.destroyAllWindows()
)
)
