OpenCV计算机视觉技术（Python语言描述）（微课版）课件 第十章_目标追踪.pptx

;;上一章节中，我们对目标检测进行了学习与应用。在本章中我们将对目标跟踪这一主题进行学习，首先我们需要知道目标跟踪与目标检测的区别，目标检测是对图像中感兴趣的目标进行检测与识别，而目标跟踪是在连续的图像视频序列中，建立所要跟踪目标的位置关系，得到目标完整的运动轨迹。

在该章节中，我们将首先从OpenCV的背景差分法进行探讨，简单了解视频分析，再到往后进行学习目标检测与跟踪，最后学习卡尔曼滤波器从而对目标运动轨迹进行预测。

;;背景差分法（BackgroundSubtractionMethods）是一种被广泛运用于检测视频中移动目标的技术，通过利用背景差分法，在固定位置的相机来得到移动目标在图像中所在的位置。

;背景差分法的基本原理如图所示，这种方法是通过把背景模型的每一个像素与当前帧的每一个像素进行减法处理，并做阈值化处理从而将结果二值化，将结果进行判断像素属于前景还是背景。在对各个背景差分法进行了解前，我们需要对高斯背景建模与LBP特征进行了解。

;在高斯背景建模中分为两种建模，单高斯背景建模（SingleGaussianModel）以及混合高斯背景建模(GMM，GaussianMixtureModel)。

高斯背景建模是将每个像素点处的颜色值当成一个随机变量，并且像素点之间的颜色信息相互独立，利用单高斯或混合高斯函数对该随机变量的分布进行拟合，则使得它能更好地适应光照不同等情况的场景。当一个新的像素点值到来时，将该像素点值与该像素已有的背景模型（单高斯或混合高斯函数）进行匹配，根据不同的判断准则来判断其是否为背景点。如果判定为背景点，则利用该像素的当前像素值对背景模型进行更新，否则不对背景模型进行任何操作。不同的算法有不同的判断准则以及背景模型的更新方式。

;LBP（LocalBinaryPattern）即局部二值模式。这是一种用于描述图像局部信息纹理特征的算子。像素点LBP特征的提取如图所示：;如图所示，定义于像素的8邻域中，以中心像素的灰度值为阈值。在阈值化处理过程中，对于每个像素，将周围8个像素的值与中心像素值进行比较。如果周围的像素值小于中???像素值，则该像素位置被标记为0，否则标记为1。处理完成后，每个像素得出一个二进制组合，例由于每个像素都有8个相邻的像素点，因此共有28可能性组合。;在OpenCV中提供了以下这几类的背景差分的方法让我们进行图像的前景与背景分割：

1.OpenCV基础模块

cv2.BackgroundSubtractorMOG2

MOG2，这是以混合高斯背景建模为基础的背景/前景分割算法。该算法采用了可变数量的高斯函数，从而使它能更好地适应光照不同等情况的场景。

cv2.BackgroundSubtractorKNN

KNN，这是基于K最近邻（KNN，K-NearestNeighbor）的背景/前景分割算法。该算法的特点是当前景的像素数量较少的时候，该算法的运行速度会非常快。

; 2.OpenCVImprovedBackground-ForegroundSegmentationMethods模块

cv2.bgsegm.BackgroundSubtractorCNT

CNT，这是一种不需要对背景点进行高斯背景建模处理的背景/前景分割算法。它只仅仅使用视频中过去连续n帧内的像素点值的信息以及其他一点额外的信息，因此它的处理速度非常快，它的优点在于用户在使用廉价的硬件时，该算法会比MOG2更有优势。

cv2.bgsegm.BackgroundSubtractorGMG

GMG，该算法结合了静态背景图像估计和每个像素的贝叶斯分割。这个算法使用了贝叶斯估计从而得到一幅概率图，通过对概率图进行阈值操作，从而得到前景点与背景点的划分，并对图像具有自适应性，采用形态学操作用于除去不需要的噪声，但缺点在于在前几帧图像中你会得到一个黑色窗口。

; cv2.bgsegm.BackgroundSubtractorGSOC

GSOC，这个算法被称为GSOC，是因为它在GSOCGoogle编程之夏中诞生，与OpenCV中的其他算法相比，该算法在CDNET2014数据集中能表现出更好的性能。

cv2.bgsegm.BackgroundSubtractorLSBP

LSBP，该算法结合了LBP特征和SVD(SingularValueDecomposition)的背景/前景分割算法。该算法是在LBP特征基础上的一种改