背景减除
一旦背景模型建立，将背景模型和当前的图像进行比较，然后减去这些已知的背景信息，则剩下的目标物大致就是所求的前景目标了
缺点 —— 该方法基于一个不长成立的假设：所有像素点是独立的
场景建模
新的前景（物体移动的新位置） —— 旧的前景 （物体离开后留下的“空洞”）—— 背景
cvInitLineIterator() 和 CV_NEXT_LINE_POINT() 对任意直线上的像素进行采样
// 从视频的一行中读出所有像素的RGB值，收集这些数值并将其分成三个文件 #include <cv.h>
#include <highgui.h> int main(int argc,char** argv)
{
CvCapture* capture=cvCreateFileCapture("");
int max_buffer;
IplImage *rowImage;
int r[],g[],b[];
CvLineIterator iterator; FILE *fptrb=fopen("blines.csv","w"); // store the data here
FILE *fptrg=fopen("glines.csv","w");
FILE *fptrr=fopen("rlines.csv","w"); CvPoint pt1,pt2; for (;;)
{
if(!cvGrabFrame(capture))
break;
rowImage=cvRetrieveFrame(capture);
max_buffer=cvInitLineIterator(rowImage,pt1,pt2,&iterator,,); for (int j=;j<max_buffer;j++)
{
fprintf(fptrb,"%d",iterator.ptr[]);
fprintf(fptrg,"%d",iterator.ptr[]);
fprintf(fptrr,"%d",iterator.ptr[]); iterator.ptr[]=; // mark this sample in red CV_NEXT_LINE_POINT(iterator); fprintf(fptrb,"\n");
fprintf(fptrg,"\n");
fprintf(fptrr,"\n"); }
} cvReleaseCapture(capture);
fclose(fptrb);
fclose(fptrg);
fclose(fptrr); return ;
}
帧差 —— 用一帧减去另一帧，然后将足够大的差别标为前景，这种方法往往能捕捉运动目标的边缘
cvAbsDiff cvThreshold （忽略很小的差异——比如小于15，标识其余的作为较大的差别）
可以用cvErode（） 函数或者用连通域去噪
对于彩色图像，我们用相同的代码对每个颜色通道分别处理，之后在调用cvOr() 函数将所有的通道拼接在一起
平均背景法
—— 计算每个像素的平均值和标准差作为他的背景模型
平均背景法使用四个OpenCV函数 ：
cvAcc 累计图像
cvAbsDiff 计算一定时间内的每帧图像之差
cvInRange 将图像分割成前景区和背景区域 （背景模型在已经学习的情况下）
cvOr 将不同的彩色通道图像中合成一个掩码图像
// 背景法 --- 只能用于背景场景中不包含运动的部分 // 为需要的不同临时图像和统计属性图像创建指针
IplImage *IavgF,IdiffF,*IprevF,*IhiF,*IlowF; IplImage *Iscratch,*Iscratch2; IplImage *Igray1,*Igray2,*Igray3;
IplImage *Ilow1,*Ilow2,*Ilow3;
IplImage *Ihi1,*Ihi2,*Ihi3; IplImage *Imaskt; float Icount; // couts number of images learned for averaging later // 创建一个函数给需要的所有临时图像分配内存 void AllocateImages(IplImage* I)
{
CvSize sz=cvGetSize(I); IavgF=cvCreateImage(sz,IPL_DEPTH_32F,);
IdiffF=cvCreateImage(sz,IPL_DEPTH_32F,);
IprevF=cvCreateImage(sz,IPL_DEPTH_32F,);
IhiF=cvCreateImage(sz,IPL_DEPTH_32F,);
IlowF=cvCreateImage(sz,IPL_DEPTH_32F,);
Ilow1=cvCreateImage(sz,IPL_DEPTH_32F,);
Ilow2=cvCreateImage(sz,IPL_DEPTH_32F,);
Ilow3=cvCreateImage(sz,IPL_DEPTH_32F,);
Ihi1=cvCreateImage(sz,IPL_DEPTH_32F,);
Ihi2=cvCreateImage(sz,IPL_DEPTH_32F,);
Ihi3=cvCreateImage(sz,IPL_DEPTH_32F,); cvZero(IavgF);
cvZero(IdiffF);
cvZero(IprevF);
cvZero(IhiF);
cvZero(IlowF);
Icount = 0.00001; // Protect against divide by zero Iscratch =cvCreateImage(sz,IPL_DEPTH_32F,);
Iscratch2 =cvCreateImage(sz,IPL_DEPTH_32F,);
Igray1 =cvCreateImage(sz,IPL_DEPTH_32F,);
Igray2 =cvCreateImage(sz,IPL_DEPTH_32F,);
Igray3 =cvCreateImage(sz,IPL_DEPTH_32F,);
Imaskt =cvCreateImage(sz,IPL_DEPTH_32F,); cvZero(Iscratch);
cvZero(Iscratch2); } // 学习积累背景图像和每一帧图像差值的绝对值
void accumulateBackground(IplImage* I)
{
static int first=;
cvCvtScale(I,Iscratch,,);
if (!first)
{
cvAcc(Iscratch,IavgF);
cvAbsDiff(Iscratch,IprevF,Iscratch2);
cvAcc(Iscratch,IdiffF);
Icount+=1.0;
}
first=;
cvCopy(Iscratch,IprevF);
} void setHighThreshold(float scale)
{
cvConvertScale(IdiffF,Iscratch,scale);
cvAdd(Iscratch,IavgF,IhiF);
cvSplit(IhiF,Ihi1,Ihi2,Ihi3,);
} void setLowThreshold(float scale)
{
cvConvertScale(IdiffF,Iscratch,scale);
cvSub(IavgF,Iscratch,IlowF);
cvSplit(IlowF,Ilow1,Ilow2,Ilow3,);
} // 计算每一个像素的均值和方差观测 （平均绝对差分）
void createModelsfromStats()
{
cvConvertScale(IavgF,IavgF,(double)(1.0/Icount));
cvConvertScale(IdiffF,IdiffF,(double)(1.0/Icount)); // make sure diff is always something
cvAddS(IdiffF,cvScalar(1.0,1.0,1.0),IdiffF);
setHighThreshold(7.0);
setLowThreshold(6.0);
// 对每一帧图像的绝对差大于平均值7倍的像素都认为是前景 } // 有了背景模型，同时给出了高低阈值，就可以用它将图像分割成前景（不能被背景模型解释的图像部分）和背景（在背景模型中，任何高低阈值之间的图像部分） void backgroundDiff(IplImage* I,IplImage* Imask)
{
cvCvtScale(I,Iscratch,,); // To float
cvSplit(Iscratch,Igray1,Igray2,Igray3); // channel 1
cvInRange(Igray1,Ilow1,Ihi1,Imask); // 是否在高低阈值之间 // channel 2
cvInRange(Igray2,Ilow2,Ihi2,Imask); // channel 3
cvInRange(Igray3,Ilow3,Ihi3,Imask); cvOr(Imask,Imaskt,Imask); // finally , invert the result
cvSubRS(Imask,,Imask);
} void DeallocateImages()
{
cvReleaseImage(&IavgF);
cvReleaseImage(&IdiffF);
cvReleaseImage(&IprevF);
cvReleaseImage(&IhiF);
cvReleaseImage(&IlowF);
cvReleaseImage(&Ilow1);
cvReleaseImage(&Ilow2);
cvReleaseImage(&Ilow3);
cvReleaseImage(&Ihi1);
cvReleaseImage(&Ihi2);
cvReleaseImage(&Ihi3);
cvReleaseImage(&Iscratch);
cvReleaseImage(&Iscratch2);
cvReleaseImage(&Igray1);
cvReleaseImage(&Igray2);
cvReleaseImage(&Igray3);
cvReleaseImage(&Imaskt); }
累计均值，方差和协方差
均值漂移
cvRunningAvg —— 更新时，源图像占一定权重 —— 也称为，跟踪器（前一帧图像褪色的影响，参数a本质上上是设置所需要的时间）
计算方差 —— cvSquareAcc —— 单个像素的方差正好是平方的均值减去均值的平方
计算协方差 —— cvMultiplyAcc
高级背景模型
复杂的运动目标 —— 得到美国像素或一组像素的时间序列模型 ，这种模型能够很好的处理时间起伏，缺点是需要消耗大量的内存
codebook （编码本） —— 将一个像素现在的观测值和先前的观测值作比较。如果两个值很接近，它被建模为那种颜色下的扰动，如果两个值不接近，它可以产生与该像素相关的一组色彩。
从经验角度看绝大部分背景中的变化倾向于沿着亮度轴，而不是颜色轴
在背景学习模型的codebook方法中，在每一个三颜色轴上，每一个box用两个阈值（最大和最小）定义。如果新的背景模型落到学习的阈值（learnHigh 和 learnLow 之间，这些box的边界将膨胀 （最大阈值变大，最小阈值变小）。如果新的背景样本在box和学习阈值外，将开始生成一个新的box，在背景差分模型中，也能容纳maxMod和minMod阈值。使用这些阈值。可以说，如果一个像素和box边界最大值和最小值非常接近，我们就认为它在box里面。再次调整阈值，允许模型适应特殊情形）
codebook box 容纳呈现多维不连续分布的像素，所以能更好的模拟像素的不连续分布
使用codebook 背景模型
1，使用 函数 update_codebook 在几秒钟或几分钟时间内训练一个基本的背景模型
2，使用 clear_stale_entries 清除stale索引
3，调整阈值 minMod 和 maxMod ui已知前景达到最好的分割
4，保持一个更高级别的场景模型
5，通过 background_diff 使用训练好的模型将前景从背景中分割出来
6，定期更新学习的背景像素
7，在一个频率较慢的情况下，使用函数 clear_stale_entries 定期清理 stale 的codebook 索引
部分代码：
#include <cv.h>
#include <highgui.h> #define CHANNELS 3
typedef struct ce
{
uchar learnHigh[CHANNELS];
uchar learnLow[CHANNELS];
uchar max[CHANNELS]; // High side of box boundary
uchar min[CHANNELS];
int t_last_update; // allow us to kill stale entries
int stale; // max negative run
}code_element; typedef struct code_book{
code_element **cb;
int numEntries;
int t; // count every access
}codeBook; // 如果一个像素值的美国通道都不在 min - learnLow 和 max + learnHigh 之间，就会生成一个新的码元。距离上次更新和陈旧的时间（t_last_update）用于删除过程中学习的很少使用的码本条目 // 背景学习
int update_codebook(uchar* p,codeBook& c,unsigned* cbBounds,int numChannels)
{
int n;
unsigned int high[],low[];
for (n=;n<numChannels;n++)
{
high[n]=*(p+n)+*(cbBounds+n);
if(high[n]>)
high[n]=;
low[n]=*(p+n)-*(cbBounds+n);
if(low[n]<)
low[n]=;
} // see if this fits an existing codeword
int matchChannel; for (int i=;i<c.numEntries;i++)
{
matchChannel=;
for (n=;n<numChannels;n++)
{
if((c.cb[i]->learnLow<=*(p+n))&&(*(p+n)<=c.cb[i]->learnHigh[n]))
matchChannel++; if (matchChannel==numChannels) // if an entry war found
{
c.cb[i]->t_last_update=c.t;
// adjust this codeword for the first channel for (n=;n<numChannels;n++)
{
if (c.cb[i]->max[n]<*(p+n))
{
c.cb[i]->max[n]=*(p+n);
}
else if (c.cb[i]->min[n]>*(p+n))
{
c.cb[i]->min[n]=*(p+n);
}
}
break;
}
}
} // overhead to track potential stale entries for (int s=;s<c.numEntries;s++)
{
int negRun=c.t-c.cb[s]->t_last_update;
if (c.cb[s]->stale<negRun)
{
c.cb[s]->stale=negRun;
}
} // enter a new codeword if needed } // 学习有移动前景目标的背景 // 背景差分，寻找前景目标
用于前景清除的连通部分
包含噪声输入掩模图像，然后利用形态学“开”操作将小的噪声缩小至0，接着用“闭”操作重建由于开操作丢失的边缘部分
没有任何理由相信噪声有很大的空间相关性，这些信号又大量的非常小的区域来描述
一个功能强大的在背景中减去噪声的技术