SingleTrack_Project（五）传统视觉追踪方法——背景差减法

一、基本原理核心思想建立背景模型当前帧减去背景剩下的就是运动目标。帧差法是两帧相减背景差减法则是当前帧减去背景模型。它的本质是先给场景拍一张空背景照片然后用当前帧减去这张照片差值大的区域就是运动目标。二、关键步骤背景差减法的过程与帧差法相似。最大的区别在于背景差减法第一步是MOG2前景检测该方法用当前帧更新背景模型计算当前帧每个像素与背景模型的差异最后返回前景掩码差异大的为白色前景差异小的为黑色背景。接下来就是二值化、形态学处理、ROI裁剪、找轮廓等。三、关键代码实现1.类结构与初始化class BackgroundSubtractionTracker(BaseTracker): def __init__(self): super().__init__(bg_subtract) # 创建 MOG2 背景减除器 self.bg cv2.createBackgroundSubtractorMOG2( history200, # 历史帧数用过去200帧建模背景 varThreshold30, # 方差阈值像素与模型的差异超过30才视为前景 detectShadowsFalse # 不检测阴影提高速度但可能把阴影误认为目标 ) self.init_bbox None self.prev_bbox None self.target_area 0 self.target_aspect 1.0 self.lost_count 0history保留过去 200 帧用于建模背景。值越大背景更新越慢对光照变化越不敏感。varThreshold像素值与模型均值的差超过 30 才认为是前景。值越小越敏感更多前景像素。detectShadows不检测阴影提高速度但阴影可能被误认为前景目标。2.初始化方法def init(self, frame, bbox): self.init_bbox bbox # 保存初始框 self.prev_bbox bbox # 上一帧的框用于搜索区域约束 self.target_area bbox[2] * bbox[3] # 目标面积 self.target_aspect bbox[2] / (bbox[3] 1e-6) # 目标宽高比 self.trajectory [bbox] # ★ 关键连续输入10帧用于建立初始背景模型 for _ in range(10): self.bg.apply(frame)初始化时连续输入 10 帧相同图像是一个预热过程。MOG2 的背景模型刚开始是空的需要观察一段时间才能建立稳定的背景模型。但这里只有一帧图像所以把同一帧反复输入 10 次。但是存在局限性第一帧中目标本身也在画面中所以MOG2会把目标也作为背景部分来建模对后续产生影响。3.更新方法def update(self, frame): # 步骤1获取前景掩码 fg self.bg.apply(frame) # ← MOG2 核心当前帧 - 背景模型 前景 # 步骤2二值化MOG2输出是0~255阈值为127将其转为纯黑白 _, fg cv2.threshold(fg, 127, 255, cv2.THRESH_BINARY) # 步骤3形态学处理核大小为5×5比帧差法的3×3更大 kernel np.ones((5, 5), np.uint8) fg cv2.morphologyEx(fg, cv2.MORPH_OPEN, kernel) # 开运算去噪点 fg cv2.morphologyEx(fg, cv2.MORPH_CLOSE, kernel) # 闭运算填空洞 # 步骤4ROI区域裁剪以上一帧目标框为中心 x, y, w, h self.prev_bbox margin int(max(w, h) * 1.0) x1 max(0, x - margin) y1 max(0, y - margin) x2 min(frame.shape[1], x w margin) y2 min(frame.shape[0], y h margin) roi_fg np.zeros_like(fg) roi_fg[y1:y2, x1:x2] fg[y1:y2, x1:x2] # 只保留ROI区域内的前景 # 步骤5在ROI中找最优候选框 cand self._best_bbox(roi_fg) # 步骤6跟丢处理 if cand is None: self.lost_count 1 cand self.prev_bbox # 保持上一帧位置 else: self.lost_count 0 self.prev_bbox cand self.trajectory.append(self.prev_bbox) return self.prev_bboxMOG2 前景检测、二值化、形态学处理、ROI裁剪。四、局限性1.首帧目标会被污染MOG2会把目标也学进背景中目标一旦停止它会将目标也认为是背景而造成误检。2.对光照变化敏感MOG2 虽然有一些自适应能力但对快速的光照变化还是会失效。3.阴影问题目标的阴影仍然可能被 MOG2 检测为前景的一部分导致检测到的目标框比实际目标大。4.多目标干扰和帧差法一样如果 ROI 区域内有多个运动目标MOG2 会产生多个前景轮廓评分函数可能选错目标。5.参数通用性history200 和 varThreshold30 是经验值在不同的场景中需要调整。