Вычитание фона

[privetvision 4]

Не могли бы показать простой пример (без лишнего мусора) на c++ вычитания фона.

Как вижу работу алгоритма: есть первый кадр frameBackground без объекта. Далее на сцене появляется новый объект, необходимо показать кадр только с ним.

Пример: 

 

Пробовал делать так:

Mat mMaskMOG;
Ptr< BackgroundSubtractor> mpMOG = createBackgroundSubtractorMOG2();

// Получаем первый кадр
mCapture >> frameBackground; 

// Тут мне не очень понятно что происходит
mpMOG->apply(frameBackground, mMaskMOG);





Цикл получения кадров() 
{
// Получаем  кадр
mCapture >> frame;

// Копируем  кадр в vFrameLab с маской, по идеи тут должен отсеяться фон 
frame.copyTo(vFrameLab, mMaskMOG);

// преобразование в CIELAB
  cvtColor( vFrameLab, vFrameLab, CV_BGR2Lab );

...
}

Пока писал пост, нагуглил похожую проблему http://overcram.com/questions/?qid=167068

что надо добавлять 3-ий параметр  в mpMOG->apply(vFrame, fgMaskMOG, 0.001);

Но я всеравно не понимаю как оно работает. Со временем новые объекты пропадают (видимо заносятся в историю). Мне же надо, чтобы они не пропадали.

[BeS 53]

 

 

Со временем новые объекты пропадают (видимо заносятся в историю). Мне же надо, чтобы они не пропадали.

Это фундаментальная проблема всех адаптивных алгоритмов вычетания фона. 

Можете посмотреть в мою имплементацию другого BS-алгоритма: https://github.com/BelBES/VIBE. Он тоже адаптивный, но, как минимум, работает быстрее, чем MOG

Там кода всего строк сотня, т.ч. думаю разобарться будет не сложно с ним.

[Nuzhny 243]

Это как раз и проблема: если не адаптировать модель фона к изменениям, то со временем она будет вся замусорена шумами. Если адаптировать, то будут пропадать объекты переднего плана. Это во-первых.

Во-вторых, не ясно, что делать, например, с автомобилем, который остановился в поле зрения камеры. Понятно, что поначалу его надо выделять. А через 5 минут? А через час? А через день? А через неделю?

А если не автомобиль, а ставни магазина, который закрылся на ночь?

Эта проблема в англоязычной литературе называется как ghost objects detection. Решается по всякому, зависит от требований к системе.

 

1. Посмотри ещё на bgs library (промотай вниз).

2. Один из самых известных и качественных алгоритмов - это Vibe.

[Nuzhny 243]

Можете посмотреть в мою имплементацию другого BS-алгоритма: https://github.com/BelBES/VIBE. Он тоже адаптивный, но, как минимум, работает быстрее, чем MOG

Там кода всего строк сотня, т.ч. думаю разобарться будет не сложно с ним.

Не сравнивал свою реализацию с оригинальной? Автор-профессор по просьбе высылает sdk на месяц для пробы.

[Smorodov 579]

Здесь тоже есть неплохая по отзывам реализация Vibe. Ну и много чего еще.

 

https://github.com/berak/opencv_smallfry

[BeS 53]

Не сравнивал свою реализацию с оригинальной? Автор-профессор по просьбе высылает sdk на месяц для пробы.

Когда я имплементировал этот алгоритм (года 2 назад), была доступна только статья и бинарник под Windows. На глаз вроде бы результаты были похожи с моей версией, разве что у меня чутка помедленней работает (хотя, подозреваю что оригинальная реализация исопльзует векторизацию вычислений), а строгого бенчмаркинга я не проводил.

[BeS 53]

Smorodov, судя по коду, там реализован VIBE только для частного случая, когда берется окрестность еденичного радиуса для каждого пикселя. Хотя, конечно, практика показывает, что большие окрестности брать особого смысла нет.

[privetvision 4]

Спасибо, тестирую Vibe. Один момент, поясните пожалуйста аргументы конструктора:

(int channels, int samples, int pixel_neighbor, int distance_threshold, int matching_threshold, int update_factor):

channels - кол-во каналов, это понятно, а вот далее что идет? (перевод на русский не помогло понять)

[BeS 53]

Спасибо, тестирую Vibe. Один момент, поясните пожалуйста аргументы конструктора:

(int channels, int samples, int pixel_neighbor, int distance_threshold, int matching_threshold, int update_factor):

channels - кол-во каналов, это понятно, а вот далее что идет? (перевод на русский не помогло понять)

 

samples - число сэмплов из окрестности, по которым строится распределение.

pixel_neighbor - радиус окрестности, из которой берутся сэмплы и с которыми происходит сравнение.

distance_threshold - пороговое значение, определяющее степень сходства пикселей

matching_threshold - определяет, сколько мнимально нужно совпадений с сэмплами, чтобы отнести пиксель к фону.

update_factor - вносит элемент случайности в процесс обновления модели фона