运动物体检测一般分为背景建模和运动物体分析两步。即构建不包含运动物体的背景模型。然后将新的视频帧和背景模型对比，找出其中的运动物体。目前比较好的背景建模算法有两种：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，背景的每一个像素都被拟合到一个高斯混合模型。对于新的图片，只需要判断每个像素是否服从这个高斯混合模型就可以判断出这个像素是背景还是前景。但混合高斯算法的缺点是计算量相对比较大，速度偏慢，对光照敏感。2)文章（ViBe: A universal backgroundsubtraction algorithm for video sequences.）提出的ViBe算法。该算法速度非常快，计算量比较小，而且对噪声有一定的鲁棒性，检测效果不错。
由于最近在做一些跟踪检查的研究，就用到了ViBe算法，根据网上的c++版本编写了这个python版的算法，在这分享给大家。
class ViBe:
'''''
classdocs
'''
__defaultNbSamples = 20 #每个像素点的样本个数
__defaultReqMatches = 2 #min指数
__defaultRadius = 20; #Sqthere半径
__defaultSubsamplingFactor = 16#子采样概率
__BG = 0 #背景像素
__FG = 255 #前景像素
__c_xoff=[-1,0,1,-1,1,-1,0,1,0] #x的邻居点 len=9
__c_yoff=[-1,0,1,-1,1,-1,0,1,0] #y的邻居点 len=9
__samples=[] #保存每个像素点的样本值,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):
#记录随机生成的 行(r) 和 列(c)
rand=0
r=0
c=0
#对每个像素样本进行初始化
for y in range(self.__Height):
for x in range(self.__Width):
for k in range(self.__defaultNbSamples):
#随机获取像素样本值
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
#存储像素样本值
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
#用于判断一个点是否是背景点,index记录已比较的样本个数，count表示匹配的样本个数
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:
#判断为背景像素,只有背景点才能被用来传播和更新存储样本值
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:
#判断为前景像素
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
我做的鱼的跟踪效果图
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。
python,运动检测,ViBe
免责声明：本站文章均来自网站采集或用户投稿，网站不提供任何软件下载或自行开发的软件！ 如有用户或公司发现本站内容信息存在侵权行为，请邮件告知！ 858582#qq.com
《魔兽世界》大逃杀！60人新游玩模式《强袭风暴》3月21日上线
暴雪近日发布了《魔兽世界》10.2.6 更新内容，新游玩模式《强袭风暴》即将于3月21 日在亚服上线，届时玩家将前往阿拉希高地展开一场 60 人大逃杀对战。
艾泽拉斯的冒险者已经征服了艾泽拉斯的大地及遥远的彼岸。他们在对抗世界上最致命的敌人时展现出过人的手腕，并且成功阻止终结宇宙等级的威胁。当他们在为即将于《魔兽世界》资料片《地心之战》中来袭的萨拉塔斯势力做战斗准备时，他们还需要在熟悉的阿拉希高地面对一个全新的敌人──那就是彼此。在《巨龙崛起》10.2.6 更新的《强袭风暴》中，玩家将会进入一个全新的海盗主题大逃杀式限时活动，其中包含极高的风险和史诗级的奖励。
《强袭风暴》不是普通的战场，作为一个独立于主游戏之外的活动，玩家可以用大逃杀的风格来体验《魔兽世界》，不分职业、不分装备（除了你在赛局中捡到的），光是技巧和战略的强弱之分就能决定出谁才是能坚持到最后的赢家。本次活动将会开放单人和双人模式，玩家在加入海盗主题的预赛大厅区域前，可以从强袭风暴角色画面新增好友。游玩游戏将可以累计名望轨迹，《巨龙崛起》和《魔兽世界：巫妖王之怒 经典版》的玩家都可以获得奖励。