gmm 背景建模 matlab,GMM混合高斯背景建模C++结合Opencv实现(内附Matlab实现)

2024-03-08 00:10

本文主要是介绍gmm 背景建模 matlab,GMM混合高斯背景建模C++结合Opencv实现(内附Matlab实现),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

最近在做视频流检测方面的工作,一般情况下这种视频流检测是较复杂的场景,比如交通监控,或者各种监控摄像头,场景比较复杂,因此需要构建背景图像,然后去检测场景中每一帧动态变化的前景部分,GMM高斯模型是建模的一种方法,关于高斯建模的介绍有很多博客了,大家可以去找一找,本篇博客主要依赖于上一个老兄,他用matlab实现了GMM模型,我在其基础上利用C++和OpenCV进行了重写,下面会给出C++代码,希望能给大家一点帮助,本文能力有限,如有问题可以一起交流,一起改进。

先展示结果吧,不要问我的图像是神马图像,哈哈哈 感觉很low b。 其实都是视频中的某一帧图像。方法可以用就行啦!!

背景图像:

48bb2256e90ee2bcc18fa16500c95be6.png

待检测图像:

51dc9f691dea9df2f3795bc9208d96f5.png

检测结果:

0dc493eb9566d1623c698cd5b9cfb03e.png

我其实是想检测出图片中的缺口,以下是检测结果,我改变一下形式吧 ,这样能更清楚的看出结果

83ffb7a655a62020f0ece7c31ca93abd.png

其实还是很精准的嘛,来来来,下面上代码~

C++结合OpenCV代码

//Writen by 蘇丶 2018//11/04

//转载请附转载链接

#include

#include

#include

#include

#include

#define K 3

#define initial_sd 36

#define D 2.5

#define WIDTH 640

#define HEIGHT 32

#define thresh 0.25

#define learning_rate 0.01

using namespace cv;

using namespace std;

double minIndex(double a, double b, double c)

{

if (a < b && a < c) return 1;

if (b < a && b < c) return 2;

if (c < a && c < b)return 3;

}

struct Idx {

double data;

int index;

};

bool sortRule(Idx a, Idx b)

{

return a.data > b.data;

}

int main()

{

//输入背景图像

Mat srcImage = imread("1.tif", 0);

double *weight,*pixelValueMean,*sd,*udiff;

int *matchCount;

weight = (double*)malloc(sizeof(double)*HEIGHT*WIDTH*K);//创建三个高斯模型的权重

pixelValueMean = (double*)malloc(sizeof(double)*HEIGHT*WIDTH*K);

sd = (double*)malloc(sizeof(double)*HEIGHT*WIDTH*K);

matchCount = (int*)malloc(sizeof(int)*HEIGHT*WIDTH*K);

udiff = (double*)malloc(sizeof(double)*HEIGHT*WIDTH*K);

//为权重,像素均值,像素标准差,匹配次数,图片与高斯均值的差 进行赋初始值

for (int i = 0; i < HEIGHT; i++)

{

uchar* pixelValuePtr = (uchar*)srcImage.data + i * WIDTH;

for (int j = 0; j < WIDTH; j++)

{

for (int k = 0; k < K; k++)

{

if (k == 0)

{

weight[i*WIDTH*K + j * K + k] = 1;

pixelValueMean[i*WIDTH*K + j * K + k] = pixelValuePtr[j];

sd[i*WIDTH*K + j * K + k] = initial_sd;

matchCount[i*WIDTH*K + j * K + k] = 1;

udiff[i*WIDTH*K + j * K + k] = 0;

}

else

{

matchCount[i*WIDTH*K + j * K + k] = 1;

pixelValueMean[i*WIDTH*K + j * K + k] =0;

weight[i*WIDTH*K + j * K + k] =pow(2.0,-10);

sd[i*WIDTH*K + j * K + k] = initial_sd;

udiff[i*WIDTH*K + j * K + k] = 0;

}

}

}

}

Mat dstImage = imread("2.tif",0);//输入待检测图像

//计算待检测图像与各个高斯均值的差

for (int i = 0; i < HEIGHT; i++)

{

uchar* pixelValuePtr1 = (uchar*)dstImage.data + i * WIDTH;

for (int j = 0; j < WIDTH; j++)

{

for (int m = 0; m < K; m++)

{

//计算待检测图像与每一层高斯均值图的差值

udiff[i*WIDTH*K + j * K + m] = abs(pixelValuePtr1[j] - pixelValueMean[i*WIDTH*K + j * K + m]);

}

}

}

//更新每一个像素的背景模型

double p;

int match,match_ind;

int kValue1, kValue2, kValue3;

int min_w_index;

double sum_weight;

//创建前景图像

Mat foreGroundImage = Mat::zeros(dstImage.size(), dstImage.type());

Mat backGroundImage= Mat::zeros(dstImage.size(), dstImage.type());

double rank1, rank2, rank3;

vectorRank_index;

Idx d1, d2, d3;

for (int i = 0; i < HEIGHT; i++)

{

uchar* pixelValuePtr2 = (uchar*)dstImage.data + i * WIDTH;

uchar* pixelValuePtr3 = (uchar*)foreGroundImage.data + i * WIDTH;

uchar* pixelValuePtr4 = (uchar*)backGroundImage.data + i * WIDTH;

for (int j = 0; j < WIDTH; j++)

{

match = 0;//像素值与高斯模型匹配的标识

match_ind = 0;//为该像素最匹配的高斯模型的标号

for (int k = 0; k < K; k++)

{

if (abs(udiff[i*WIDTH*K + j * K + k]) <= D * sd[i*WIDTH*K + j * K + k] && match == 0)

{

match = 1;

match_ind = k;

p = learning_rate / weight[i * WIDTH * K + j * K + k];

weight[i * WIDTH * K + j * K + k] = (1 - learning_rate) * weight[i * WIDTH * K + j * K + k] + learning_rate;

//更新用的都是待检测图像的像素值

pixelValueMean[i * WIDTH *K + j * K + k] = (1 - p) * pixelValueMean[i * WIDTH * K + j * K + k] + p * pixelValuePtr2[j];

sd[i * WIDTH * K + j * K + k] = sqrt((1 - p) * pow(sd[i * WIDTH * K + j * K + k], 2) + p * pow((pixelValuePtr2[j] - pixelValueMean[i*WIDTH*K + j * K + k]), 2));

if (matchCount[i*WIDTH*K + j * K + k] != 255)

{

matchCount[i*WIDTH*K + j * K + k]++;

}

}

else

{

weight[i*WIDTH*K + j * K + k] = (1 - learning_rate)*weight[i*WIDTH*K + j * K + k];

}

}

if (match == 0)

{

kValue1 = weight[i * WIDTH * K + j * K];

kValue2 = weight[i*WIDTH*K + j * K + 1];

kValue3 = weight[i*WIDTH*K + j * K + 2];

min_w_index = minIndex(kValue1, kValue2, kValue3);//找到权重最小值

matchCount[i * WIDTH * K + j * K + min_w_index] = 1;

weight[i*WIDTH*K + j * K + min_w_index] = 1 / (matchCount[i*WIDTH*K + j * K] + matchCount[i*WIDTH*K + j * K + 1] + matchCount[i*WIDTH*K + j * K + 2] - 1);

pixelValueMean[i*WIDTH*K + j * K + min_w_index] = pixelValuePtr2[j];

sd[i*WIDTH*K + j * K + min_w_index] = initial_sd;

}

sum_weight = weight[i*WIDTH*K + j * K] + weight[i*WIDTH*K + j * K + 1] + weight[i*WIDTH*K + j * K + 2];

for (int m = 0; m < 3; m++)

{

weight[i*WIDTH*K + j * K + m] /= sum_weight;

}

rank1= weight[i*WIDTH*K + j * K];

rank2= weight[i*WIDTH*K + j * K + 1];

rank3= weight[i*WIDTH*K + j * K + 2];

d1.data = rank1;

d1.index = 0;

d2.data = rank2;

d2.index = 1;

d3.data = rank3;

d3.index = 2;

Rank_index.push_back(d1);

Rank_index.push_back(d2);

Rank_index.push_back(d3);

//然后对rank进行降序排序,主要取其索引值

sort(Rank_index.begin(), Rank_index.end(), sortRule);

//将前景的初始值设置为255

pixelValuePtr3[j] = pixelValuePtr2[j];

if (match == 1)

{

if (match_ind == Rank_index[0].index)

{

pixelValuePtr3[j] = 0;

}

else if (match_ind == Rank_index[1].index)

{

if (weight[i*WIDTH*K + j * K + Rank_index[0].index] < thresh)

{

pixelValuePtr3[j] = 0;

}

}

else if(match_ind == Rank_index[3].index)

{

if (weight[i*WIDTH*K + j * K + Rank_index[3].index] > 1 - thresh)

{

pixelValuePtr3[j] = 0;

}

}

}

for (int kk = 0; kk < K; kk++)

{

pixelValuePtr4[j] = pixelValuePtr4[j] + pixelValueMean[i*WIDTH*K + j * K + kk] * weight[i*WIDTH*K + j * K + kk];

}

}

}

imshow("back", backGroundImage);

imshow("fore", foreGroundImage);

imshow("original", srcImage);

imshow("daijiance", dstImage);

imwrite("fore.tif", foreGroundImage);

waitKey();

return 0;

}

Matlab代码:

我主要是针对以为老哥的Matlab代码改出来的C++版本,所以把老哥的博客链接附在下面,然后把代码也展示一下吧

Matlab GMM实现

麻鸡,再次吐槽这个配色,我不知道怎么改啊 ,有没有人会改 请给我留言,我看着这个配色好不爽

clear;

fr=imread('first.jpg');

% 读取该图像作为背景

fr_bw1 = rgb2gray(fr);

% 将背景转换为灰度图像

fr_size = size(fr);

%取帧大小

width = fr_size(2);

height = fr_size(1); %获取原图像的尺寸

fg = zeros(height, width); %前景,读取的第二张图片获得

bg_bw = zeros(height, width);%背景,读取的第一张图片获得

fr_bw1 = double(fr_bw1);

% --------------------- mog variables -----------------------------------

C = 3; % 组成混合高斯的单高斯数目 (一般3-5)

D = 2.5; % 阈值(一般2.5个标准差)

alpha = 0.01; % learning rate 学习率决定更新速度(between 0 and 1) (from paper 0.01)

thresh = 0.25; % foreground threshold 前景阈值(0.25 or 0.75 in paper)

sd_init = 36; % initial standard deviation 初始化标准差(for new components) var = 36 in paper

w = zeros(height,width,C); % initialize weights array 初始化权值数组

w(:,:,1) = 1;

w(:,:,2:C) = 2^-10; % 第一个高斯分布的初始权重为1,其余分布的权重为0

mean = zeros(height,width,C); % pixel means 像素均值

mean(:,:,1) = fr_bw1; % 第一个高斯分布的初始均值为参考帧的值,其余分布的均值为0s

sd = sd_init*ones(height,width,C); % pixel standard deviations 像素标准差

matchcnt = ones(height, width,C); % 匹配的次数,初始值都设为1

u_diff = zeros(height,width,C); % difference of each pixel from mean 图片与高斯均值的差

fr = imread('second.jpg'); % read in frame 读取帧

fr_bw = rgb2gray(fr); % convert frame to grayscale 转换为灰度图像

fr_bw = double(fr_bw); % 将灰度图值设置为双精度

%求导入进来的图片与各个高斯均值的差

for m=1:C

u_diff(:,:,m) = abs(fr_bw - double(mean(:,:,m)));

end

% update gaussian components for each pixel 更新每个像素的背景模型

%rank_ind = zeros(C,1);

for i=1:height

for j=1:width

match = 0; %像素与高斯模型匹配的标识

match_ind = 0;%为该像素最匹配的高斯模型的标号

for k=1:C %与第k个高斯模型进行比对,然后更新参数

if (abs(u_diff(i,j,k)) <= D*sd(i,j,k) && (match == 0)) % pixel matches component像素匹配了高斯中的第k个模型

match = 1;

% variable to signal component match 设置匹配标记

match_ind = k;

% update weights, mean, sd, p 更新权值,均值,标准差和参数学习率

p = alpha/w(i,j,k); %理应使用p = alpha/gaussian才对,这里勉强

w(i,j,k) = (1-alpha)*w(i,j,k) + alpha;

%p = alpha/w(i,j,k); %理应使用p = alpha/gaussian才对,这里勉强

mean(i,j,k) = (1-p)*mean(i,j,k) + p*double(fr_bw(i,j));

sd(i,j,k) = sqrt((1-p)*(sd(i,j,k)^2) + p*((double(fr_bw(i,j)) - mean(i,j,k)))^2);

if matchcnt(i, j, k) ~= 255 % 匹配次数达到255就不加了。在实时视频序列中,上限是必须的,否则可能溢出。

matchcnt(i, j, k) = matchcnt(i, j, k) + 1;

end

else

%当与第k个模型没有匹配的话,则第k个模型所占的比重自然而然地下降

w(i,j,k) = (1-alpha)*w(i,j,k); % weight slighly decreases 权值减小

end

end

% if no components match, create new component 如果没有匹配的模型则创建新模型

if(match==0) % 没有匹配的高斯,建立新的高斯取代:排序后排在最后面的那个

[min_w,min_w_index]=min(w(i,j,:));

matchcnt(i,j,min_w_index) = 1; % 匹配次数设为1,一个小值

w(i,j,min_w_index) = 1 / ( sum( matchcnt(i, j, :) ) - 1 );% 权值为其它高斯分布匹配次数之和的倒数

mean(i,j,min_w_index)=double(fr_bw(i,j));

sd(i,j,min_w_index)=sd_init;

end

%无论匹配是否成功,都要将该像素在不同模型上的权重标准归一化

w_sum = sum(w(i, j, :));

w(i, j, :) = w(i, j, :) / w_sum;

%针对该像素,计算多个模型的优先级(依据权重)

rank = w(i,j,:)./sd(i,j,:);

[sorted_rank, rank_ind] = sort(rank, 'descend');

%将前景的初始值设置为255,即为白色;

fg(i,j) = fr_bw(i,j);

%当该像素匹配成功的时候,利用高斯混合模型,将该像素值重新设置

if(match == 1)

switch match_ind

case rank_ind(1)% 与最优的高斯匹配,肯定是归为背景点

fg(i,j) = 0;

case rank_ind(2)% 与中间的高斯匹配,如果最上面一个高斯的权值小于thresh,则这点归为背景点

if w(i, j, rank_ind(1)) < thresh

fg(i, j) = 0;

end

case rank_ind(3)% 与最下面的高斯匹配,如果最下面的高斯权值大于1-thresh(或者前两个高斯权值和小于thresh),则这点归为背景点

if w(i, j, rank_ind(3)) > 1 - thresh

fg(i, j) = 0;

end

end

end

for k=1:C

bg_bw(i,j) = bg_bw(i,j)+ mean(i,j,k)*w(i,j,k);%更新背景

end

% % 根据rank的排序结果调整参数的顺序

% tmp_T = [mean(i, j, :); sd(i, j, :); w(i, j, :); matchcnt(i, j, :)]; % 为了排序时,几个参数同步调整,所以组合在一起

% mean(i, j, :) = tmp_T(1, rank_ind); %即同时利用rank,将mean进行了排序

% sd(i, j, :) = tmp_T(2, rank_ind); %同理

% w(i, j, :) = tmp_T(3, rank_ind); %同理

% matchcnt(i, j, :) = tmp_T(4, rank_ind);%同理

% if w(i, j, 1) > thresh %使用大于阈值的进行背景构造即可

% bg_bw(i, j) = w(i, j, 1) * mean(i, j, 1);

% else

% if w(i, j, 1) + w(i, j, 2) > thresh

% bg_bw(i, j) = w(i, j, 1) * mean(i, j, 1) + w(i, j, 2) * mean(i, j, 2);

% else

% bg_bw(i, j) = sum(w(i, j, :) .* mean(i, j, :));

% end

% end

end

end

figure(1),subplot(3,1,1),imshow(fr); %显示输入图像

subplot(3,1,2),imshow(uint8(bg_bw)); %显示背景图像

subplot(3,1,3),imshow(uint8(fg)); %显示前景图像

转载请附本博客链接地址:

https://blog..net/weixin_38285131/article/details/83721069

这篇关于gmm 背景建模 matlab,GMM混合高斯背景建模C++结合Opencv实现(内附Matlab实现)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/785300

相关文章

Python实现终端清屏的几种方式详解

《Python实现终端清屏的几种方式详解》在使用Python进行终端交互式编程时,我们经常需要清空当前终端屏幕的内容,本文为大家整理了几种常见的实现方法,有需要的小伙伴可以参考下... 目录方法一:使用 `os` 模块调用系统命令方法二:使用 `subprocess` 模块执行命令方法三:打印多个换行符模拟

SpringBoot+EasyPOI轻松实现Excel和Word导出PDF

《SpringBoot+EasyPOI轻松实现Excel和Word导出PDF》在企业级开发中,将Excel和Word文档导出为PDF是常见需求,本文将结合​​EasyPOI和​​Aspose系列工具实... 目录一、环境准备与依赖配置1.1 方案选型1.2 依赖配置(商业库方案)二、Excel 导出 PDF

Python实现MQTT通信的示例代码

《Python实现MQTT通信的示例代码》本文主要介绍了Python实现MQTT通信的示例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 安装paho-mqtt库‌2. 搭建MQTT代理服务器(Broker)‌‌3. pytho

使用zip4j实现Java中的ZIP文件加密压缩的操作方法

《使用zip4j实现Java中的ZIP文件加密压缩的操作方法》本文介绍如何通过Maven集成zip4j1.3.2库创建带密码保护的ZIP文件,涵盖依赖配置、代码示例及加密原理,确保数据安全性,感兴趣的... 目录1. zip4j库介绍和版本1.1 zip4j库概述1.2 zip4j的版本演变1.3 zip4

python生成随机唯一id的几种实现方法

《python生成随机唯一id的几种实现方法》在Python中生成随机唯一ID有多种方法,根据不同的需求场景可以选择最适合的方案,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起学习学习... 目录方法 1:使用 UUID 模块(推荐)方法 2:使用 Secrets 模块(安全敏感场景)方法

C++中全局变量和局部变量的区别

《C++中全局变量和局部变量的区别》本文主要介绍了C++中全局变量和局部变量的区别,全局变量和局部变量在作用域和生命周期上有显著的区别,下面就来介绍一下,感兴趣的可以了解一下... 目录一、全局变量定义生命周期存储位置代码示例输出二、局部变量定义生命周期存储位置代码示例输出三、全局变量和局部变量的区别作用域

C++中assign函数的使用

《C++中assign函数的使用》在C++标准模板库中,std::list等容器都提供了assign成员函数,它比操作符更灵活,支持多种初始化方式,下面就来介绍一下assign的用法,具有一定的参考价... 目录​1.assign的基本功能​​语法​2. 具体用法示例​​​(1) 填充n个相同值​​(2)

Spring StateMachine实现状态机使用示例详解

《SpringStateMachine实现状态机使用示例详解》本文介绍SpringStateMachine实现状态机的步骤,包括依赖导入、枚举定义、状态转移规则配置、上下文管理及服务调用示例,重点解... 目录什么是状态机使用示例什么是状态机状态机是计算机科学中的​​核心建模工具​​,用于描述对象在其生命

Spring Boot 结合 WxJava 实现文章上传微信公众号草稿箱与群发

《SpringBoot结合WxJava实现文章上传微信公众号草稿箱与群发》本文将详细介绍如何使用SpringBoot框架结合WxJava开发工具包,实现文章上传到微信公众号草稿箱以及群发功能,... 目录一、项目环境准备1.1 开发环境1.2 微信公众号准备二、Spring Boot 项目搭建2.1 创建

IntelliJ IDEA2025创建SpringBoot项目的实现步骤

《IntelliJIDEA2025创建SpringBoot项目的实现步骤》本文主要介绍了IntelliJIDEA2025创建SpringBoot项目的实现步骤,文中通过示例代码介绍的非常详细,对大家... 目录一、创建 Spring Boot 项目1. 新建项目2. 基础配置3. 选择依赖4. 生成项目5.