一、背景分割法

传统的前景背景分割方法有GrabCut，分水岭算法，当然也包括一些阈值分割的算法。但是这些算法在应用中往往显得鲁棒性较弱，达不到一个好的分割效果。

现代的背景分割算法融入了机器学习的一些方法来提高分类的效果。如KNN，混合高斯（MOG2）,Geometric Multigrid。这些算法的基本原理就是对每一帧图像的环境进行学习，从而推断出背景区域。

opencv的BackgroundSubtractor提供了这些现代的背景分割算法。

原理就是把不动的东西删除。

二、流程

目前opencv4中实现了多种背景分割法的函数，

OpenCV4中有哪些视频背景/前景分割(背景建模/前景提取)算法的类,它们各自的算法原理、特点是什么,并附示例代码

三、代码

以KNN为例，进行实现

import numpy as np
import cv2
from skimage.segmentation import slic, mark_boundaries


camera = cv2.VideoCapture("E:\Python-Code/videodataset/enn.mp4")

bs = cv2.createBackgroundSubtractorKNN(detectShadows=True)  # 类实例一个对象
# mog1 = cv2.bgsegm.createBackgroundSubtractorMOG()  # 创建mog对象
# mog2 = cv2.createBackgroundSubtractorMOG2()
# mog3 = cv2.bgsegm.createBackgroundSubtractorGMG(30)  # 初始化帧数取30吧

while (camera.isOpened()):
    ret, frame = camera.read()
    if ret:
        fgmask = bs.apply(frame)  # 前景掩码的获取

        th = cv2.threshold(fgmask.copy(), 224, 255, cv2.THRESH_BINARY)[1]  # 阈值得到黑白图
        dilated = cv2.dilate(th, cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)),
                             iterations=2)  # 膨胀操作
        contours, hier = cv2.findContours(dilated, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

        for c in contours:
            if cv2.contourArea(c) > 1600:  # 用面积来限制显示的识别对象，面积大于1600时画矩形
                (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)
    else:
        break
    #    cv2.imshow('frame',fgmask)

    if cv2.waitKey(100) & 0xff == 27:  # ESC退出键的ASCII码是27
        break

camera.release()
cv2.destroyAllWindows()