运动检测ViBe算法python实现代码

运动检测运动检测ViBe算法算法python实现代码实现代码

主要为大家详细介绍了运动检测ViBe算法python实现代码，具有一定的参考价值，感兴趣的小伙伴们可以参考

一下

运动物体检测一般分为背景建模和运动物体分析两步。即构建不包含运动物体的背景模型。然后将新的视频帧和背景模型对

比，找出其中的运动物体。目前比较好的背景建模算法有两种：1)文章（Zivkovic Z. (2004) Improved adaptive

Gausianmixture model for backgroundsubtraction, Proceedings of ICPR 2004, August 23-26, Cambridge, UK.）提出的高斯

混合模型法。在此算法中，背景的每一个像素都被拟合到一个高斯混合模型。对于新的图片，只需要判断每个像素是否服从这

个高斯混合模型就可以判断出这个像素是背景还是前景。但混合高斯算法的缺点是计算量相对比较大，速度偏慢，对光照敏

'''

__defaultNbSamples = 20 #每个像素点的样本个数

__defaultReqMatches = 2 #min指数

__defaultRadius = 20; #Sqthere半径

__defaultSubsamplingFactor = 16#子采样概率

__BG = 0 #背景像素

__FG = 255 #前景像素

__c_xoff=[-1,0,1,-1,1,-1,0,1,0] #x的邻居点 len=9

__c_yoff=[-1,0,1,-1,1,-1,0,1,0] #y的邻居点 len=9

Constructor

'''

self.__Height = grayFrame.shape[0]

self.__Width = grayFrame.shape[1]

for i in range(self.__defaultNbSamples+1):

self.__samples.insert(i,np.zeros((grayFrame.shape[0],grayFrame.shape[1]),dtype=grayFrame.dtype));

self.__init_params(grayFrame)

#对每个像素样本进行初始化

for y in range(self.__Height):

for x in range(self.__Width):

for k in range(self.__defaultNbSamples):

#随机获取像素样本值

rand=random.randint(0,8)

r=y+self.__c_yoff[rand]

if r<0:

r=0

c=self.__Width-1 #列

#存储像素样本值

self.__samples[k][y,x] = grayFrame[r,c]

self.__samples[self.__defaultNbSamples][y,x] = 0

def update(self,grayFrame,frameNo):

foreground = np.zeros((self.__Height,self.__Width),dtype=np.uint8)

for y in range(self.__Height): #Height

for x in range(self.__Width): #Width

#用于判断一个点是否是背景点,index记录已比较的样本个数，count表示匹配的样本个数