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：
待检测图像：
检测结果：
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
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！
