# 人工智能之视觉领域 计算机视觉

第十三章 视频背景减除


---

# 前言：视频背景减除（Background Subtraction）

> **学习目标**：掌握使用 OpenCV 的 MOG2 和 KNN 背景减除器，从视频中自动分离出运动前景物体，去除静态背景，为监控、行为分析等任务提供基础。

---

## 1. 通俗理解：什么是背景减除？

想象你在看一段**固定摄像头拍摄的街道视频**：

- 路面、建筑、树木是**静止的（背景）**
- 行人、汽车是**移动的（前景）**

> ✅ **背景减除 = 自动“抠出”视频中所有运动的物体**
> 输出是一张**二值图**：白色 = 运动物体，黑色 = 静态背景

这是**智能监控、人流统计、入侵检测**的第一步！

---

## 2. 核心思想：建模背景 + 检测变化

算法会：

1. **学习**前若干帧，建立“背景模型”
2. 对每一新帧，**比较**当前像素与背景模型
3. 若差异大 → 判定为**前景（运动物体）**
4. **动态更新**背景模型（适应光照变化、树叶晃动等）

---

## 3. OpenCV 两大主流算法

### 3.1 MOG2（高斯混合模型）

- 全称：**Mixture of Gaussians v2**
- 原理：每个像素用多个高斯分布建模，适应复杂场景
- 优点：对**阴影鲁棒**（可选是否检测阴影）
- 缺点：计算量稍大

```python
bg_subtractor = cv2.createBackgroundSubtractorMOG2(
    history=500,        # 背景模型历史长度（帧数）
    varThreshold=50,    # 像素与模型匹配的阈值（越大越不敏感）
    detectShadows=True  # 是否检测阴影（True 会慢，但更准）
)
```

### 3.2 KNN（K近邻背景减除）

- 全称：**K-Nearest Neighbors**
- 原理：基于像素历史值的 K 近邻距离判断
- 优点：**对光照突变适应性强**
- 缺点：参数较敏感

```python
bg_subtractor = cv2.createBackgroundSubtractorKNN(
    history=500,
    dist2Threshold=400, # 距离平方阈值
    detectShadows=True
)
```

> 💡 **初学者推荐**：先用 `MOG2`，效果稳定且支持阴影处理。

---

## 4. 完整工作流程（Mermaid 图）

```mermaid
graph TD
    A["打开视频/摄像头"] --> B["创建背景减除器<br>cv2.createBackgroundSubtractorMOG2()"]
    B --> C[循环读取每一帧]
    C --> D["fg_mask = subtractor.apply(frame)"]
    D --> E{是否需要后处理?}
    E -- 是 --> F["形态学去噪<br>morphologyEx()"]
    E -- 否 --> G["直接使用 fg_mask"]
    F --> H["查找轮廓 findContours()"]
    H --> I[过滤小面积物体]
    I --> J[绘制边界框或保存结果]
    G --> J
    J --> C
```

---

## 5. 配套代码实战

### 示例 1：基础背景减除（MOG2）

```python
import cv2

# 1. 创建 MOG2 背景减除器
subtractor = cv2.createBackgroundSubtractorMOG2(
    history=500,
    varThreshold=50,
    detectShadows=True  # 设为 False 可加速
)

# 2. 打开视频（可用摄像头 0 或视频文件）
cap = cv2.VideoCapture('street.mp4')  # 或 0

while True:
    ret, frame = cap.read()
    if not ret:
        break

    # 3. 应用背景减除
    fg_mask = subtractor.apply(frame)

    # 4. 显示原始帧和前景掩码
    cv2.imshow('Original Frame', frame)
    cv2.imshow('Foreground Mask', fg_mask)

    if cv2.waitKey(30) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()
```

> 🔍 **观察**：
> 
> - 初始几秒画面全白（正在学习背景）
> - 稳定后，只有行人/车是白色
> - 阴影可能呈灰色（若 `detectShadows=True`）

---

### 示例 2：完整运动物体检测（含去噪 + 轮廓绘制）

```python
import cv2
import numpy as np

# 创建背景减除器（关闭阴影检测以提速）
subtractor = cv2.createBackgroundSubtractorMOG2(
    history=500,
    varThreshold=50,
    detectShadows=False
)

# 打开视频
cap = cv2.VideoCapture('people.mp4')

# 定义形态学核（用于去噪）
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))

while True:
    ret, frame = cap.read()
    if not ret:
        break

    # 背景减除
    fg_mask = subtractor.apply(frame)

    # 后处理：去除噪声
    fg_mask = cv2.morphologyEx(fg_mask, cv2.MORPH_OPEN, kernel)   # 开运算去白噪点
    fg_mask = cv2.morphologyEx(fg_mask, cv2.MORPH_CLOSE, kernel)  # 闭运算填黑洞

    # 查找轮廓
    contours, _ = cv2.findContours(fg_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    # 绘制有效运动物体
    for cnt in contours:
        area = cv2.contourArea(cnt)
        if area > 500:  # 过滤小噪点
            x, y, w, h = cv2.boundingRect(cnt)
            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)

    # 显示
    cv2.imshow('Motion Detection', frame)
    cv2.imshow('Foreground Mask (Cleaned)', fg_mask)

    if cv2.waitKey(30) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()
```

---

### 示例 3：对比 MOG2 与 KNN 效果

```python
import cv2

# 创建两个减除器
mog2 = cv2.createBackgroundSubtractorMOG2(detectShadows=False)
knn = cv2.createBackgroundSubtractorKNN(detectShadows=False)

cap = cv2.VideoCapture('office.mp4')

while True:
    ret, frame = cap.read()
    if not ret:
        break

    mask_mog2 = mog2.apply(frame)
    mask_knn = knn.apply(frame)

    # 拼接显示
    combined = np.hstack((frame, 
                          cv2.cvtColor(mask_mog2, cv2.COLOR_GRAY2BGR),
                          cv2.cvtColor(mask_knn, cv2.COLOR_GRAY2BGR)))
    
    cv2.putText(combined, 'Original | MOG2 | KNN', (10, 30),
                cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 2)

    cv2.imshow('MOG2 vs KNN Comparison', combined)

    if cv2.waitKey(30) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()
```

---

## 6. 关键参数调优指南

| 参数 | 作用 | 调整建议 |
|------|------|--------|
| `history` | 背景模型记忆长度 | 场景变化慢 → 增大（1000）场景变化快 → 减小（200） |
| `varThreshold` (MOG2) | 像素匹配灵敏度 | 噪点多 → 增大（100）漏检多 → 减小（20） |
| `dist2Threshold` (KNN) | KNN 距离阈值 | 同上 |
| `detectShadows` | 是否保留阴影 | 需要精确轮廓 → False需保留完整人体 → True |

---

## 7. 常见问题与解决方案

### ❓ 问题1：前景全是噪点？

✅ **解决**：

- 增大 `varThreshold`
- 添加**形态学开运算**（`MORPH_OPEN`）去除孤立白点

### ❓ 问题2：运动物体被“掏空”（中间变黑）？

✅ **解决**：

- 添加**形态学闭运算**（`MORPH_CLOSE`）填充内部孔洞
- 或使用 `cv2.dilate()` 膨胀前景

### ❓ 问题3：背景缓慢变化（如云飘过）导致误检？

✅ **解决**：

- 增大 `history`（如 1000）
- 使用 KNN（对缓慢变化更鲁棒）

### ❓ 问题4：如何只检测特定区域（如门口）？

✅ **解决**：使用**掩码（Mask）**

```python
# 创建 ROI 掩码（白色=检测区域）
mask_roi = np.zeros(frame.shape[:2], dtype=np.uint8)
cv2.rectangle(mask_roi, (100, 100), (400, 400), 255, -1)

# 应用掩码
fg_mask = cv2.bitwise_and(fg_mask, fg_mask, mask=mask_roi)
```

---

## 8. 应用场景扩展

| 应用 | 实现要点 |
|------|--------|
| **人流统计** | 结合轮廓中心点 + 虚拟线计数 |
| **遗留物检测** | 检测“突然出现并长期不动”的物体 |
| **车辆违停** | 检测在禁停区持续存在的前景 |
| **智能家居** | 检测是否有人进入房间 |

---

## ✅ 本章总结

| 步骤 | 操作 | 函数 |
|------|------|------|
| **1. 创建减除器** | 选择 MOG2 或 KNN | `cv2.createBackgroundSubtractorXXX()` |
| **2. 应用减除** | 获取前景掩码 | `subtractor.apply(frame)` |
| **3. 后处理** | 去噪、补洞 | `morphologyEx()` |
| **4. 分析前景** | 轮廓检测、计数 | `findContours()` |

> 🌟 **现在可以**：
> 
> - 把监控视频中的行人“抠”出来
> - 实现一个简单的“有人闯入”报警系统
> - 为后续的**目标跟踪**或**行为识别**提供干净的前景输入！



## ✅ 本章总结

| 步骤 | 操作 | 函数 |
|------|------|------|
| **1. 选目标** | 手动画框 or 自动检测 | `cv2.selectROI()` / `detectMultiScale()` |
| **2. 创建跟踪器** | 选择算法 | `cv2.TrackerXXX_create()` |
| **3. 初始化** | 第一帧设定位置 | `tracker.init(frame, bbox)` |
| **4. 更新** | 每帧获取新位置 | `success, bbox = tracker.update(frame)` |
| **5. 可视化** | 画框 + 状态提示 | `cv2.rectangle()` |

> 🌟 **你现在可以**：
> 
> - 用鼠标框住视频中的任意物体，让它被“锁定”
> - 结合人脸检测，实现自动人脸跟踪
> - 为智能监控、AR互动等项目打下基础！

# 资料关注

咚咚王

《Python编程：从入门到实践》
《利用Python进行数据分析》
《算法导论中文第三版》
《概率论与数理统计（第四版） (盛骤) 》
《程序员的数学》
《线性代数应该这样学第3版》
《微积分和数学分析引论》
《（西瓜书）周志华-机器学习》
《TensorFlow机器学习实战指南》
《Sklearn与TensorFlow机器学习实用指南》
《模式识别（第四版）》
《深度学习 deep learning》伊恩·古德费洛著 花书
《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》
《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》
《自然语言处理综论  第2版》
《Natural-Language-Processing-with-PyTorch》
《计算机视觉-算法与应用(中文版)》
《Learning OpenCV 4》
《AIGC：智能创作时代》杜雨+&+张孜铭
《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》
《从零构建大语言模型（中文版）》
《实战AI大模型》
《AI 3.0》

学习目标：掌握使用 OpenCV 的 MOG2 和 KNN 背景减除器，从视频中自动分离出运动前景物体，去除静态背景，为监控、行为分析等任务提供基础。

人工智能之视觉领域 计算机视觉 第十三章 视频背景减除

技术岗

人工智能

音视频

编程语言

学习OpenCV视频背景减除技术，掌握MOG2和KNN算法实现运动物体检测。通过建模背景与检测变化，自动分离视频中的运动前景，适用于智能监控、人流统计等场景。提供完整代码示例，包括参数调优、去噪处理和轮廓绘制，帮助快速实现视频分析功能。

自然语言处理

计算机视觉

智能创作

机器学习

深度学习

大数据

Python

2026新春采购季

bigdata-class

人脸识别10万次资源包新用户19.9元起


facerecognition

ai-class

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

人工智能之视觉领域 计算机视觉 第十三章 视频背景减除-腾讯云开发者社区-腾讯云

人工智能之视觉领域计算机视觉第十三章视频背景减除

人工智能之视觉领域计算机视觉第十三章视频背景减除

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

人工智能之视觉领域 计算机视觉 第十三章 视频背景减除

人工智能之视觉领域 计算机视觉 第十三章 视频背景减除

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

人工智能之视觉领域计算机视觉第十三章视频背景减除

人工智能之视觉领域计算机视觉第十三章视频背景减除