计算机视觉 / 系统课时
使用背景减除
使用背景减除
背景减除不是只比较前后两帧,而是维护一个随时间更新的背景模型,再把当前帧中“不符合背景模型”的像素标成前景。本课使用 OpenCV 的 MOG2,在光照缓慢变化的固定摄像头场景中提取运动目标,并处理阴影、学习速度和启动阶段误报。
学习目标
- 使用
cv2.createBackgroundSubtractorMOG2()建立并持续更新背景模型。 - 正确处理 MOG2 前景掩膜中的背景、阴影和前景像素。
- 调整
history、varThreshold、learningRate与面积过滤,判断模型是否适应过快或过慢。
背景模型如何分离前景
MOG2 会为每个像素维护高斯混合模型,用历史观测描述常见背景颜色。当前像素若不能被背景模型充分解释,就进入前景掩膜;模型随后继续更新,因此缓慢变化的树叶、显示器亮度或日照可逐渐被吸收到背景中。与相邻帧差相比,它能在目标短暂停下时保留前景一段时间。

OpenCV 4.x 中可先用 history=500、varThreshold=16、detectShadows=True。history 控制模型参考的历史长度,500 帧在 30 FPS 下对应约 16.7 秒的帧量级,但并不等于“精确记住 16.7 秒”;varThreshold 越大,像素越容易被背景模型接受,前景会更保守。
用 MOG2 提取运动目标
MOG2 在开启阴影检测时,默认前景掩膜常见取值为 0、127、255,分别对应背景、阴影和前景。若直接把所有非零像素都当目标,影子也会形成轮廓。下面先用阈值 200 去掉 127 的阴影,再用 3×3 椭圆核做一次开运算,最后过滤小轮廓。
import sys
import cv2
source = sys.argv[1] if len(sys.argv) > 1 else "0"
capture = cv2.VideoCapture(int(source) if source.isdigit() else source)
subtractor = cv2.createBackgroundSubtractorMOG2(
history=500,
varThreshold=16,
detectShadows=True,
)
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
while True:
ok, frame = capture.read()
if not ok:
break
# -1 让 OpenCV 使用自动学习率;启动阶段模型会逐步收敛。
raw_mask = subtractor.apply(frame, learningRate=-1)
# 去掉值为 127 的阴影,只保留高置信前景。
_, foreground = cv2.threshold(raw_mask, 200, 255, cv2.THRESH_BINARY)
foreground = cv2.morphologyEx(
foreground, cv2.MORPH_OPEN, kernel, iterations=1
)
contours, _ = cv2.findContours(
foreground, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE
)
boxes = []
for contour in contours:
if cv2.contourArea(contour) < 900:
continue
x, y, w, h = cv2.boundingRect(contour)
boxes.append((x, y, w, h))
cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
print(f"foreground_regions={len(boxes)}")
cv2.imshow("raw_mask", raw_mask)
cv2.imshow("foreground", foreground)
cv2.imshow("result", frame)
if cv2.waitKey(1) & 0xFF in (27, ord("q")):
break
capture.release()
cv2.destroyAllWindows()预期结果
foreground_regions=<COUNT>
foreground_regions=<COUNT>
foreground_regions=<COUNT><COUNT> 取决于当前场景。启动后的前几十帧可能出现较多白色区域,随后背景模型逐步稳定;raw_mask 中阴影通常表现为灰色,foreground 中这些灰色区域应被阈值操作去除。
调整模型学习速度
learningRate 直接影响新帧写入背景模型的速度。-1 由 OpenCV 自动选择,适合先建立基线;固定摄像头若背景变化很慢,可尝试 0.001~0.01。学习率过大时,停留几秒的人可能很快被“学成背景”;学习率过小时,开灯、窗外亮度变化等新背景会长期残留为前景。
可以用一个简单实验检查:让目标进入画面后静止 10 秒。若业务要求“人停下仍算前景”,观察其掩膜是否过早消失;若要求快速适应无人场景,则反过来看目标离开后残影多久消失。调 learningRate 时保持 history 和 varThreshold 不变,避免同时改多个参数导致无法判断原因。
varThreshold 适合处理“前景太敏感或太迟钝”。从 16 开始,若背景纹理轻微波动就不断被判前景,可尝试 20~32;若低对比度目标漏检,可尝试 9~12。任何数值都应以固定测试视频复测,因为摄像头噪声、压缩和光照都会改变差异分布。
处理启动误报和阴影
背景减除器刚创建时没有可靠模型,所以第一帧甚至最初几十帧出现大面积前景是正常现象。工程中常丢弃前 30~100 帧,或在“模型稳定后再报警”。30 FPS 下丢弃 60 帧约等于 2 秒,适合摄像头启动后不立即触发告警的场景。
阴影检测并不是绝对准确。detectShadows=True 能提供 127 灰度的阴影标签,但深色地面、反光和快速曝光变化仍可能误判。若阴影完全不重要,可以设为 False,减少一次后处理;若阴影信息有用,则保留 raw_mask 做调试,并在告警逻辑中只接受 255 前景。
验收时至少覆盖三段视频:空场景 20 秒、目标进入并停留 10 秒、目标离开后再观察 10 秒。合格结果应是空场景前景面积稳定较低、运动目标进入时被连续检出、离开后残影能在业务允许时间内消退;如果这三项无法同时满足,再调整学习率、阈值和面积过滤,而不是只追求某一帧看起来干净。