计算机视觉 / 系统课时

使用背景减除

使用背景减除

背景减除通过持续学习“哪些像素通常属于背景”,把偏离背景模型的区域标记为前景。相比只比较两帧,它能在目标短暂停留时继续保持检测结果,并可逐步适应环境变化。本节使用 MOG2,重点掌握历史长度与学习率的实际影响。

学习目标

  • 使用 cv2.createBackgroundSubtractorMOG2() 建立背景模型
  • 理解 history 与 learningRate 对适应速度的影响
  • 通过阈值与形态学处理得到稳定的移动目标掩膜

背景模型如何工作

MOG2 会为每个像素维护随时间更新的统计模型。新帧到来后,算法判断当前像素是否符合已学习的背景分布;符合则视为背景,偏离明显则标记为前景。模型随后依据学习率更新,因此它不是一张固定背景图,而是持续变化的时间模型。

MOG2 背景减除的时间更新与前景判定流程

history 可以理解为模型参考过去数据的时间尺度。值较大时背景更稳定,但适应新环境更慢;值较小时模型更新更积极。learningRate 决定当前帧对模型更新的权重,OpenCV 允许使用负值让算法自动选择。

用 MOG2 提取移动目标

下面脚本读取输入视频,生成黑白前景掩膜 foreground_mask.mp4。示例关闭阴影检测,避免阴影被编码为中间灰度值,从而让后续二值处理更直接。

python
import sys

import cv2
import numpy as np


def main() -> None:
    if len(sys.argv) != 2:
        raise SystemExit("用法: python bg_subtract.py <PATH>")

    cap = cv2.VideoCapture(sys.argv[1])
    if not cap.isOpened():
        raise SystemExit("无法打开输入视频")

    fps = cap.get(cv2.CAP_PROP_FPS) or 25.0
    width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
    height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
    writer = cv2.VideoWriter(
        "foreground_mask.mp4",
        cv2.VideoWriter_fourcc(*"mp4v"),
        fps,
        (width, height),
        isColor=False,
    )

    subtractor = cv2.createBackgroundSubtractorMOG2(
        history=300,
        varThreshold=16,
        detectShadows=False,
    )
    kernel = np.ones((3, 3), np.uint8)
    processed = 0

    while True:
        ok, frame = cap.read()
        if not ok:
            break

        # 较小的正学习率让模型缓慢吸收长期不动的区域。
        mask = subtractor.apply(frame, learningRate=0.005)
        _, mask = cv2.threshold(mask, 200, 255, cv2.THRESH_BINARY)
        mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel, iterations=1)
        mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations=2)

        writer.write(mask)
        processed += 1

    cap.release()
    writer.release()
    print(f"processed_frames={processed}")
    print("output=foreground_mask.mp4")


if __name__ == "__main__":
    main()

预期结果

text
processed_frames=<VALUE>
output=foreground_mask.mp4

<VALUE> 取决于输入视频帧数,实际值可能不同。生成的视频中,稳定背景应主要为黑色,持续移动或刚进入场景的目标应呈白色;开头若出现大面积白色属于模型尚未建立时的正常现象。

调整历史长度和学习率

history 与 learningRate 都会影响模型“忘记旧背景、接受新背景”的速度,但作用方式不同。history 是模型内部的时间尺度参数,learningRate 则直接控制每次 apply() 更新的强度。

如果固定摄像头下光照变化缓慢,可以使用较长 history 和较小学习率,让背景稳定更新。若场景频繁切换,学习率过小会让旧背景残留过久;学习率过大又会把慢速移动甚至短暂停留的目标迅速吸收到背景中。

处理阴影与动态背景

当 detectShadows=True 时,MOG2 默认会把阴影标记为灰色而不是纯白。若后续只需要真实前景,可以再使用较高阈值去掉阴影;若阴影本身对业务有意义,则不要急于二值化。

树叶晃动、水面、屏幕闪烁等动态背景会持续产生前景。此时可适当提高 varThreshold、增加形态学过滤,或结合轮廓面积与持续时间约束。若摄像机本身在移动,背景模型的基本假设被破坏,应先做稳像或改用光流、目标检测加跟踪等方法。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

使用背景减除

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通