去除影片背景與移動物體偵測
在固定攝影機場景的環境下，我們可以用cv2.absdiff()函數將前後兩個影格(frame)相減，得到的殘影即為移動物體的位置，但是若影格中的物體中間材質與顏色相近則殘影為零，因此這種方法得到的會像是物體的輪廓在移動．
另一種作法為，先取一張沒有物體的靜態影像，將之後的每個影格隊這個靜態影像將減，這樣我們就可以得到完整的物體移動，但是這種方阿有以下幾個缺點．
- 必須使用兩張圖片。
- 除非能夠隨時update用於diff計算的背景圖片。
- 相當容易受環境變動（如光線、週遭物件、物體與背景顏色）的干擾。
- 若移動中的物體與背景顏色相同則無法偵測。
- 若物體靜止或移動得很緩慢，則無法偵測。
為了解決這些問題，後續開發出了以下幾種演算法用來做影片去背與偵測物體移動，而這些函數都內建在openCV內：
- K-Nearest（KNN）
- Mixture of Gaussians的MOG及MOG2
- Geometric Multigid（GMG）
這些方法中MOG效果較好，因此我們在這裏只介紹MOG．
BackgroundSubtractorMOG
2001年由P. KadewTraKuPong和R. Bowden提出的論文“An improved adaptive background mixture model for real-time tracking with shadow detection”發展而成的演算法，是一種以高斯混合（Gaussian Mixture-base）為基礎的前景/背景分離技術．它利用一種指定K值（K=3~5）的高斯分佈來計算背景像素。
指令：cv2.createBackgroundSubtractorMOG([history[, nmixtures[, backgroundRatio[, noiseSigma]]]]) → retval</br> 參數：int history=200, int nmixtures=5, double backgroundRatio=0.7, double noiseSigma=0</br>
BackgroundSubtractorMOG2
BackgroundSubtractorMOG的改良版，依據Z.Zivkovic,的兩篇論文：2004年「Improved adaptive Gausian mixture model for background subtraction」以及2006年「Efficient Adaptive Density Estimation per Image Pixel for the Task of Background Subtraction」發展而來。理論上，MOG2比起MOG有更好的光照差異處理，此外，MOG2支援multi-threads，因此速度快近一倍。MOG2預設的detectShadows = True，預設為偵測影子，影子以灰階呈現．也可以選擇不要偵測影子detectShadows = False．
指令：cv2.createBackgroundSubtractorMOG2()</br> 參數：int history=500, double varThreshold=16, bool detectShadows=true
import cv2
cap = cv2.VideoCapture('car.mp4')
fgbg = cv2.createBackgroundSubtractorMOG2(detectShadows=True, varThreshold=16)
i=0
while(1):
ret, frame = cap.read()
frame=cv2.resize(frame,(240,180))
fgmask = fgbg.apply(frame)
# 把影子過濾掉
th = cv2.threshold(fgmask.copy(), 250, 255, cv2.THRESH_BINARY)[1]
#針對不同的case我們需要調整morphology膨漲(dolate)或腐蝕的(erode)參數，讓要偵測的物體變得更明顯，同時消除雜訊
# 參考文章： http://monkeycoding.com/?p=577
dilated = cv2.dilate(th, cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3)), iterations = 0)
image, contours, hier = cv2.findContours(dilated, cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
for c in contours:
#只把輪廓面積大於10的外誆矩形畫出
if cv2.contourArea(c) > 10:
(x,y,w,h) = cv2.boundingRect(c)
cv2.rectangle(frame, (x,y), (x+w, y+h), (255, 255, 0), 2)
# cv2.imshow("mog", fgmask)
# cv2.imshow("thresh", th)
cv2.imshow("detection", frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
#waitKey()--这个函数是在一个给定的时间内(单位ms)等待用户按键触发;如果用户没有按下键,则接续循环
break
cap.release()
cv2.destroyAllWindows()
