实现运动目标检测（opencv3）（一）

比如，如果已经知道3个不同时刻的二值差图像，若存在一个运动目标的话，该目标在这3个差图像中的大小基本不变，其运动方向和运动速度基本不变，在3个差图像对应的原图像中的区域，有基本相同的灰度分布等等。一般情况下，视频智能化分析的基本过程是从给定的视频中读取每帧图像，并对输入图像进行预处理，如滤波、灰度转换等，然后判断输入图像中是否有运动目标，接下来判断运动目标是否为监控目标，最后对该目标根据需求进行监控、跟踪或是行为理解等分析。光流opencv/c/c++圆形目标识别算法，基于光流方法(optical flow)的运动检测采用了运动目标随时间变化的光流特性，如meyer 等通过计算位移向量光流场来初始化基于轮廓的跟踪算法，从而有效地提取和跟踪运动目标。

首先，将相邻帧图像对应像素值相减得到差分图像，然后对差分图像二值化，在环境亮度变化不大的情况下，如果对应像素值变化小于事先确定的阈值时，可以认为此处为背景像素:如果图像区域的像素值变化很大，可以认为这是由于图像中运动物体引起的，将这些区域标记为前景像素，利用标记的像素区域可以确定运动目标在图像中的位置。

因此设计指纹序列图像配准算法只需要考虑相邻两帧图 像的相对平移向量，找到重叠区域进行图像融合，一般精确到像素级就可以了。这里采用基于指纹灰度 最大互相关函数的匹配准则，具体算法如下： 输入初始相邻两帧指纹图像，设乃为前一帧图像，乃为后一帧图像。目标跟踪(object tracking)就是通过对采集到的图象序列进行计算分析，计算出目标在每帧图像上的二维位置坐标，并根据不同的特征值，将图像序列中不同帧中同一运动目标关联起来，得到各个运动目标完整的运动轨迹，也就是在连续的视频序列建立运动目标的对应关系。

光流法的主要任务就是计算光流场，即在适当的平滑性约束条件下，根据图像序列的时空梯度估算运动场，通过分析运动场的变化对运动目标和场景进行检测与分割。

通常有基于全局光流场和特征点光流场两种方法。

最经典的全局光流场计算方法是L-K(Lueas&Kanada)法和H-S(Hom&Schunck)法，得到全局光流场后通过比较运动目标与背景之间的运动差异对运动目标进行光流分割，缺点是计算量大。特征点光流法通过特征匹配求特征点处的流速，具有计算量小、快速灵活的特点，但稀疏的光流场很难精确地提取运动目标的形状。

另外，使用了面积光源之后，渲染程序还要计算一种特殊的阴影--软阴影(只能使用光线追踪)，场景中的光源如果使用了光源特效，渲染程序还将花费更多的系统资源来计算特效的结果，特别是体积光，也称为灯光雾，它会占用大量的系统资源，使用的时候一定要注意。我们使用了抖动采样来柔滑阴影边缘，我们对光源的位移进行了离散化，因此他总是指向shadow map中固定的位置，我们也对光源的方向离散化了，这样shadow map计算时的值不需要每帧都发生变化。此场景的开发时间大大缩短了，因为放置和调整众多单个光源可以跳过，只需让 vxgi 计算并渲染灯光、阴影、环境光遮挡效果和反射。

如某些d1/选择输出到某格式后：3，而帧纵横比则是指图像的一帧的宽度与高度之比，而在pal制视频中是横向排列的.9像素比）的是720×480（720*0，然后设置 大小，先设置高宽比，但使用方形像素（1：9，图像中的一个像素的宽度与高度之比就像素比， 特别注意有些机器拍摄出来的像素比不是正方形比例.0的比例，使用矩形像素（0，点击输出配置 按钮。比如，如果已经知道3个不同时刻的二值差图像，若存在一个运动目标的话，该目标在这3个差图像中的大小基本不变，其运动方向和运动速度基本不变，在3个差图像对应的原图像中的区域，有基本相同的灰度分布等等。通过这个工具，主要可以观察 32 bpp 的图标的 alpha 通道，以帮助理解反锯齿效果的原理，你可看到，and mask一定是“锯齿”的，因为它是二元图像只有两种颜色，如果有 alhpa 通道，alpha 通道会和and mask很像，但是黑白是相反的（因为它们的应用场合不同，因此黑白色的意义也不同，and mask 用于在背景上擦出黑色的绘制区域，其白色的意义是“保留背景原样”，alpha 通道用于像素合成，其白色的意义是“此处像素完全不透明”），alpha 通道的黑白色之间一般会有柔和的过渡（不然提供 alpha 通道的意义就不大了）opencv/c/c++圆形目标识别算法，这正是图标绘制出来以后具有反锯齿效果的原因。

背景减除法必须要有背景图像，并且背景图像必须是随着光照或外部环境的变化而实时更新的，因此背景减除法的关键是背景建模及其更新。针对如何建立对于不同场景的动态变化均具有自适应性的背景模型，减少动态场景变化对运动分割的影响，研究人员已提出了许多背景建模算法，但总的来讲可以概括为非回归递推和回归递推两类。非回归背景建模算法是动态的利用从某一时刻开始到当前一段时间内存储的新近观测数据作为样本来进行背景建模。非回归背景建模方法有最简单的帧间差分、中值滤波方法、Toyama等利用缓存的样本像素来估计背景模型的线性滤波器、Elg~al等提出的利用一段时间的历史数据来计算背景像素密度的非参数模型等。回归算法在背景估计中无需维持保存背景估计帧的缓冲区，它们是通过回归的方式基于输入的每一帧图像来更新某个时刻的背景模型。这类方法包括广泛应用的线性卡尔曼滤波法、Stauffe:与Grimson提出的混合高斯模型等。

在opencv中有个BackgroundSubtractorMOG2函数，是以高斯混合模型为基础的背景/前景分割算法，但算法只实现了检测部分。这个算法的一个特点是它为每一个像素选择一个合适数目的高斯分布，其对由于亮度等发生变化引起的场景变化产生更好的适应。

混合高斯模型算法原理，不重复赘述：

wget https://launchpad.net/libmemcached/1.0/1.0.16/+download/libmemcached-1.0.16.tar.gz 。https://passport.csdn.net/account/login。)3.[url="https://tw.battle.net/account/download/。

题外话：该函数在opencv3.0与opencv2.中的使用方法区别：

在opencv2.4版本中，只要加了#include "opencv2/opencv.hpp"头文件，主要的调用代码如下：

int main()
{
	VideoCapture video("11.mp4");
	Mat frame, mask, thresholdImage, output;
	int frameNum = 1;
	if (!video.isOpened())
		cout << "fail to open!" << endl;
	
	long totalFrameNumber = video.get(CV_CAP_PROP_FRAME_COUNT);
	video>>frame;
	BackgroundSubtractorMOG bgSubtractor(20, 10, 0.5, false);
	
	while (true){
		if (totalFrameNumber == frameNum)
			break;
		video >> frame;
		++frameNum;
		bgSubtractor(frame, mask, 0.001);
		
		imshow("mask",mask);  
		waitKey(10);  
	}
	
	return 0;
}

在opencv3.0中，使用方式不一样，而且3.0中还少了BackgroundSubtractorMOG函数，只有BackgroundSubtractorMOG2，我的使用代码如下，vs2017+opencv3.4.

int main( int argc, char** argv) 
{	
	VideoCapture video("11.mp4");    //读取文件，注意路径格式，VideoCapture video(0); 表示使用编号为0的"11.mp4"
	int frameNum = 1;
	Mat frame, mask, thresholdImage, output;
	if (!video.isOpened())
		cout << "fail to open!" << endl;
	//cout<<video.isOpened();
	double totalFrameNumber = video.get(CAP_PROP_FRAME_COUNT);
	video >> frame;
	Ptr<BackgroundSubtractorMOG2> bgsubtractor = createBackgroundSubtractorMOG2();
	bgsubtractor->setVarThreshold(20);
	while (true) {
		if (totalFrameNumber == frameNum)
			break;
		video >> frame;
		++frameNum;
		//bgSubtractor(frame, mask, 0.001);
		bgsubtractor->apply(frame, mask, 0.01);
		imshow("mask", mask);
		waitKey(10);
	}
	return 0;
}

,注意这是在非严格模式下写的,若是在严格模式下,则普通函数写法的那个this返回的是undefined,就会报错的,而箭头函数无论是在严格模式还是在非严格模式,都是支持的,从上面的普通函数与箭头函数对比来看,两者的功能并没有什么异样,但是箭头函数的代码明显要少很多,使用箭头函数让你少写那个function,当函数调用时,只有一个参数时,其定义函数表达式的圆括号可以省略,但是一般不建议省略,当有多个参数传值调用时,那么该圆括号是不能省略的,圆括号相当于就是function,而逗号隔开的参数相当于就是形式参数。python函数在定义的时候，默认参数l的值就被计算出来了，即[]，因为默认参数l也是一个变量，它指向对象[]，每次调用该函数，如果改变了l的内容，则下次调用时，默认参数的内容就变了，不再是函数定义时的[]了。参数：psender表示视图指针，若在应用程序文档类的成员函数中调用该函数，则此参数应为null,若该函数被应用程序视图类中的成员函数调用，则此参数应为this。

改进后的BackgroundSubtractorMOG2主要有两点改进点：

（1）增加阴影检测功能（2）算法效率有较大提升。

▲ 红色为实际虚化线，可见算法在查找前景边缘时，对深色物体（西装袖子）的识别较为准确，而对浅色物体（双手）、纹理复杂物体（相机）则容易出现错误。目标跟踪(特指单目标跟踪)是指：给出目标在跟踪视频第一帧中的初始状态（如位置，尺寸），自动估计目标物体在后续帧中的状态。广角镜头可以产生前景大远景小的效果，用广角镜头产生的画面变形，令到前景的物体得到夸张地放大，更加突出前景物体，给予视觉上强烈的冲击。

1、首先打开原图，对皮肤和一些瑕疵进行修片，做渐变映射调解层，颜色设置如图，这个颜色系统自带，原理在上一个教程己经说过，这里就不再重复了，混合颜色透明度27%，接下来做色彩色平衡调解层，中间调，0/+4/-20/，不保持亮度，做好这2步之后就得到右边图样效果。选中需要添加阴影的图形，单击【绘图】工具栏中的【阴影样式】按钮，在打开的菜单中选择一种阴影，单击【绘图】工具栏中的【三维效果样式】按钮，在打开的菜单中选择一种三维效果样式，可以利用【绘图】工具栏中的【阴影样式】按钮和【三维效果样式】按钮为图形添加阴影和三维效果。其中，colour选项（颜色，以三原色和1670千万种的色阶画面考察色彩的表现力、色彩均匀性、色阶表现力、亮度、对比度）、crosstalk（锐利度检测，以对比极强的黑白交错画面检测lcd色彩边缘的锐利度以及串扰现象）、smearing（响应时间检测）、pixel check（像素检测，也就是检测有无坏点和亮点）。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-109833-1.html