Opencv实战之前景背景分割无参数概率密度估计KNN算法
原创
©著作权归作者所有:来自51CTO博客作者qq5b42bed9cc7e9的原创作品,请联系作者获取转载授权,否则将追究法律责任
(1)与该像素值历史信息(包括前几帧的像素值和像素点是前景还是背景的判断)比较,如果像素值之间的差别在指定阈值内,则认为新像素值与该历史信息是匹配的,是“潜在的”一类;所有历史信息比较完毕后,如果与历史信息匹配的次数超过了设定阈值,那么:(1)新像素点被归为“潜在背景点”(2)如果被匹配的历史信息中属于背景的点个数超过设定阈值,那么新的像素点就被归为背景点
import cv2 as cv
import numpy as np
# 相关函数
# cv.VideoCapture() 初始化摄像头,0开启第一个摄像头,1开启第2个摄像头,返回摄像头对象,一般会自动打开摄像头
# cap.read() 读取摄像头帧,返回值1表示是否成功读取帧,返回值2表示该帧
# cv.cvtColor(frame,mode) 转换图片的色彩空间
# cap.release() 关闭摄像头
# cap.isOpened() 检查摄像头是否打开
# cap.open() 打开摄像头
# cap.get(propld) 获得该帧的大小
# cap.set(propld,value) 设置该帧的大小
video = cv.VideoCapture(0,cv.CAP_DSHOW)
# 设置编码格式
# MP4
# fourcc = cv.VideoWriter_fourcc(*"mp4v")
# avi
# fourcc_2 = cv.VideoWriter_fourcc(*'XVID')
# out_video = cv.VideoWriter('output.mp4',fourcc, 20.0, (640,480))
# out_video_2 = cv.VideoWriter('ori.avi',fourcc, 20.0, (640,480))
# 背景减法器 基于自适应混合高斯背景建模的背景减除法
# history:用于训练背景的帧数,默认为500帧,如果不手动设置learningRate,history就被用于计算当前的learningRate,此时history越大,learningRate越小,背景更新越慢;
# varThreshold:方差阈值,用于判断当前像素是前景还是背景。一般默认16,如果光照变化明显,如阳光下的水面,建议设为25,36,具体去试一下也不是很麻烦,值越大,灵敏度越低;
# detectShadows:是否检测影子,设为true为检测,false为不检测,检测影子会增加程序时间复杂度,如无特殊要求,建议设为false
backsub = cv.createBackgroundSubtractorKNN(history=500,dist2Threshold=16,detectShadows=True)
while True:
# ret 读取状态,frame image data
ret,frame = video.read()
# 获取掩码
if ret:
mask = backsub.apply(frame)
# print(frame.shape)
# print(mask.shape)
# 扩充维度
# mask = np.expand_dims(mask,axis=2).repeat(3,axis=2)
# out_video.write(mask)
# out_video_2.write(frame)
# 膨胀一下
mask = cv.dilate(mask,kernel=None,dst=3)
# 任务最大轮廓提取
cnts,_ = cv.findContours(mask,cv.RETR_CCOMP,cv.CHAIN_APPROX_SIMPLE)
cv.imshow("frame",mask)
if cv.waitKey(30) & 0xFF ==ord('q'):
break
# 释放资源
video.release()
# out_video.release()
# out_video_2.release()
cv.destroyAllWindows()