运动检测技术（OpenCV 上的代码）
磐创AI近年来，运动检测技术已成为计算机视觉的重要研究领域之一。视频序列上已经发明了许多方法，其中一些方法比其他方法更好。在本文中，我们将解释并在 OpenCV 上实现一些基本方法。
1． 帧差分
帧差分背后的想法非常简单。我们逐像素检查两个视频帧之间的差异。如果有运动，像素值就会发生变化，因此我们将获得运动图。
很简单对吗？但是，由于噪声（例如照明的变化）可能会发生一些像素值变化，为了避免在我们的运动蒙版中捕获噪声，我们应用了一个阈值，该阈值基本上会突出强度方面的大变化并丢弃小的变化。请注意，阈值没有正确的选择，通常是凭经验完成的。
现在我们理解了这个概念，让我们展示一些代码：
frames＝［］
MAX＿FRAMES ＝ 1000
N ＝ 2
THRESH ＝ 60
ASSIGN＿VALUE ＝ 255 ＃Value to assign the pixel if the threshold is met
cap ＝ cv2．VideoCapture（0） ＃Capture using Computer＇s Webcam
for t in range（MAX＿FRAMES）：
＃Capture frame by frame
ret， frame ＝ cap．read（）
＃Convert frame to grayscale
frame＿gray ＝ cv2．cvtColor（frame， cv2．COLOR＿RGB2GRAY）
＃Append to list of frames
frames．append（frame＿gray）
if t ＞＝ N：
＃D（N） ＝ ｜｜ I（t） － I（t＋N） ｜｜ ＝ ｜｜ I（t－N） － I（t） ｜｜
diff ＝ cv2．absdiff（frames［t－N］， frames［t］）
＃Mask Thresholding
threshold＿method ＝ cv2．THRESH＿BINARY
ret， motion＿mask ＝ cv2．threshold（diff， THRESH， ASSIGN＿VALUE， threshold＿method）
＃Display the Motion Mask
cv2．imshow（＇Motion Mask＇， motion＿mask）
这种方法具有计算性能，但是它存在两个主要缺点：前景光圈和由帧速率和物体速度引起的重影。
Kameda 和 Minoh 开发的一种解决方案是双重差分，我们在时间 t 和 t－1 以及 t－1 和 t－2 之间的两个帧之间操作阈值差异，然后将它们与逻辑 AND 结合以确保我们始终检测到一个对象而不是它的重影。
帧差分的另一个问题是，当对象停止移动时，它不再被检测到。这显然取决于我们想要完成的任务，但是假设我们想要继续检测移动物体，即使它停止了一段时间。这个问题的一个答案是背景减法技术。
2． 背景减法
背景减法是一种广泛使用的方法，用于检测静态摄像机帧序列中的移动对象。它需要一个参考图像来播放背景（通常在没有对象的情况下获取）。然后我们计算当前帧和背景帧（参考图像）之间的差异。其主要任务是检测通常代表运动物体的前景。
background ＝ None
MAX＿FRAMES ＝ 1000
THRESH ＝ 60
ASSIGN＿VALUE ＝ 255
cap ＝ cv2．VideoCapture（0）
for t in range（MAX＿FRAMES）：
＃ Capture frame－by－frame
ret， frame ＝ cap．read（）
＃ Convert frame to grayscale
frame＿gray ＝ cv2．cvtColor（frame， cv2．COLOR＿RGB2GRAY）
if t ＝＝ 0：
＃ Train background with first frame
background ＝ frame＿gray
else：
＃ Background subtraction
diff ＝ cv2．absdiff（background， frame＿gray）
＃ Mask thresholding
ret， motion＿mask ＝ cv2．threshold（diff， THRESH， ASSIGN＿VALUE， cv2．THRESH＿BINARY）
＃ Display the motion mask and background
cv2．imshow（＇Motion mask＇， motion＿mask）
cv2．imshow（＇Background＇， background）
背景减法代码
如果对象的颜色与背景框不同，这种方法可以获得很好的效果。然而，像帧差分一样，它也有一些主要的缺点。毋庸置疑，它对光照变化和相机运动高度敏感，它还有一个“waking person＂问题，这意味着如果背景物体（属于参考图像的物体）移动，则同时检测到真实物体及其重影．
在这种情况下，我们遇到了与帧差分相反的问题：“如果我们想停止检测前景对象并将其吸收到背景中怎么办？”
3． 自适应背景减法
这种方法基本上结合了之前的两种技术，通过引入学习率 λ 来充分利用两者。在每个时间步，我们对传入图像和先前背景的贡献进行加权以构建新背景。
例如，如果我们设置 λ＝0．1，则在更新背景帧之前需要 10 帧（换句话说，前景对象将被吸收到背景中）。而对于 λ＝0．5，我们有更快的更新（更新前只需要 2 帧）。请注意，选择 λ 没有规则，它是凭经验完成的，因为它取决于我们正在处理的任务和环境。
background ＝ None
MAX＿FRAMES ＝ 1000
THRESH ＝ 60
ASSIGN＿VALUE ＝ 255
ALPHA ＝ 0．1
def update＿background（current＿frame， prev＿bg， alpha）：
bg ＝ alpha ＊ current＿frame ＋ （1 － alpha） ＊ prev＿bg
bg ＝ np．uint8（bg）
return bg
cap ＝ cv2．VideoCapture（0）
for t in range（MAX＿FRAMES）：
＃ Capture frame－by－frame
ret， frame ＝ cap．read（）
＃ Convert frame to grayscale
frame＿gray ＝ cv2．cvtColor（frame， cv2．COLOR＿RGB2GRAY）
if t ＝＝ 0：
＃ Train background with first frame
background ＝ frame＿gray
else：
＃ Background subtraction
diff ＝ cv2．absdiff（background， frame＿gray）
＃ Mask thresholding
ret， motion＿mask ＝ cv2．threshold（diff， THRESH， ASSIGN＿VALUE， cv2．THRESH＿BINARY）
＃ Update background
background ＝ update＿background（frame＿gray， background， alpha ＝ ALPHA）
＃ Display the motion mask and background
cv2．imshow（＇Motion mask＇， motion＿mask）
cv2．imshow（＇Background＇， background）
自适应背景减法代码
4． 高斯混合（MoG）
高斯混合是一种广泛使用的背景建模方法，用于从静态相机中检测运动物体。
简而言之，这种方法首先将每个像素建模为加权高斯的总和，其中权重定义了每个高斯的贡献。拥有多个高斯而不是一个的直觉是一个像素可以代表许多对象（例如雪花和后面的建筑物）。通过使用以前的帧计算颜色直方图，我们可以知道对象可能是背景或前景对象。
例如，当我们得到一个具有大权重和小标准偏差的高斯时，这意味着所描述的对象经常出现并且在帧之间没有变化，因此它可能是背景的一部分。这就是算法的工作原理；每个输入像素都会根据可用模型进行检查。在匹配的情况下，我们更新模型的权重、均值和标准差，如果权重除以标准差很大，我们将像素分类为背景，否则分类为前景。
MAX＿FRAMES ＝ 1000
LEARNING＿RATE ＝ －1
fgbg ＝ cv2．createBackgroundSubtractorMOG2（）
cap ＝ cv2．VideoCapture（0）
for t in range（MAX＿FRAMES）：
＃ Capture frame－by－frame
ret， frame ＝ cap．read（）
＃Apply MOG
motion＿mask ＝ fgbg．apply（frame， LEARNING＿RATE）
＃Get background
background ＝ fgbg．getBackgroundImage（）
＃ Display the motion mask and background
cv2．imshow（＇background＇， background）
cv2．imshow（＇Motion Mask＇， motion＿mask）
混合高斯码
