溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》
您好，登錄后才能下訂單哦！
運動物體檢測一般分為背景建模和運動物體分析兩步。即構(gòu)建不包含運動物體的背景模型。然后將新的視頻幀和背景模型對比，找出其中的運動物體。目前比較好的背景建模算法有兩種：1)文章（Zivkovic Z. (2004) Improved adaptive Gausianmixture model for backgroundsubtraction, Proceedings of ICPR 2004, August 23-26, Cambridge, UK.）提出的高斯混合模型法。在此算法中，背景的每一個像素都被擬合到一個高斯混合模型。對于新的圖片，只需要判斷每個像素是否服從這個高斯混合模型就可以判斷出這個像素是背景還是前景。但混合高斯算法的缺點是計算量相對比較大，速度偏慢，對光照敏感。2)文章（ViBe: A universal backgroundsubtraction algorithm for video sequences.）提出的ViBe算法。該算法速度非常快，計算量比較小，而且對噪聲有一定的魯棒性，檢測效果不錯。
由于最近在做一些跟蹤檢查的研究，就用到了ViBe算法，根據(jù)網(wǎng)上的c++版本編寫了這個python版的算法，在這分享給大家。
class ViBe:
'''''
classdocs
'''
__defaultNbSamples = 20 #每個像素點的樣本個數(shù)
__defaultReqMatches = 2 #min指數(shù)
__defaultRadius = 20; #Sqthere半徑
__defaultSubsamplingFactor = 16#子采樣概率
__BG = 0 #背景像素
__FG = 255 #前景像素
__c_xoff=[-1,0,1,-1,1,-1,0,1,0] #x的鄰居點 len=9
__c_yoff=[-1,0,1,-1,1,-1,0,1,0] #y的鄰居點 len=9
__samples=[] #保存每個像素點的樣本值,len defaultNbSamples+1
__Height = 0
__Width = 0
def __init__(self, grayFrame):
'''''
Constructor
'''
self.__Height = grayFrame.shape[0]
self.__Width = grayFrame.shape[1]
for i in range(self.__defaultNbSamples+1):
self.__samples.insert(i,np.zeros((grayFrame.shape[0],grayFrame.shape[1]),dtype=grayFrame.dtype));
self.__init_params(grayFrame)
def __init_params(self,grayFrame):
#記錄隨機(jī)生成的 行(r) 和 列(c)
rand=0
r=0
c=0
#對每個像素樣本進(jìn)行初始化
for y in range(self.__Height):
for x in range(self.__Width):
for k in range(self.__defaultNbSamples):
#隨機(jī)獲取像素樣本值
rand=random.randint(0,8)
r=y+self.__c_yoff[rand]
if r<0:
r=0
if r>=self.__Height:
r=self.__Height-1 #行
c=x+self.__c_xoff[rand]
if c<0:
c=0
if c>=self.__Width:
c=self.__Width-1 #列
#存儲像素樣本值
self.__samples[k][y,x] = grayFrame[r,c]
self.__samples[self.__defaultNbSamples][y,x] = 0
def update(self,grayFrame,frameNo):
foreground = np.zeros((self.__Height,self.__Width),dtype=np.uint8)
for y in range(self.__Height): #Height
for x in range(self.__Width): #Width
#用于判斷一個點是否是背景點,index記錄已比較的樣本個數(shù)，count表示匹配的樣本個數(shù)
count=0;index=0;
dist=0.0;
while (count<self.__defaultReqMatches) and (index<self.__defaultNbSamples):
dist= float(grayFrame[y,x]) - float(self.__samples[index][y,x]);
if dist<0: dist=-dist
if dist<self.__defaultRadius: count = count+1
index = index+1
if count>=self.__defaultReqMatches:
#判斷為背景像素,只有背景點才能被用來傳播和更新存儲樣本值
self.__samples[self.__defaultNbSamples][y,x]=0
foreground[y,x] = self.__BG
rand=random.randint(0,self.__defaultSubsamplingFactor)
if rand==0:
rand=random.randint(0,self.__defaultNbSamples)
self.__samples[rand][y,x]=grayFrame[y,x]
rand=random.randint(0,self.__defaultSubsamplingFactor)
if rand==0:
rand=random.randint(0,8)
yN=y+self.__c_yoff[rand]
if yN<0: yN=0
if yN>=self.__Height: yN=self.__Height-1
rand=random.randint(0,8)
xN=x+self.__c_xoff[rand]
if xN<0: xN=0
if xN>=self.__Width: xN=self.__Width-1
rand=random.randint(0,self.__defaultNbSamples)
self.__samples[rand][yN,xN]=grayFrame[y,x]
else:
#判斷為前景像素
foreground[y,x] = self.__FG;
self.__samples[self.__defaultNbSamples][y,x] += 1
if self.__samples[self.__defaultNbSamples][y,x]>50:
rand=random.randint(0,self.__defaultNbSamples)
if rand==0:
rand=random.randint(0,self.__defaultNbSamples)
self.__samples[rand][y,x]=grayFrame[y,x]
return foreground
我做的魚的跟蹤效果圖
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持億速云。
免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進(jìn)行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號
手機(jī)網(wǎng)站二維碼