学习opencv高斯背景建模的改进Word下载.docx
《学习opencv高斯背景建模的改进Word下载.docx》由会员分享，可在线阅读，更多相关《学习opencv高斯背景建模的改进Word下载.docx（11页珍藏版）》请在冰豆网上搜索。
params.std_threshold=CV_BGFG_MOG_STD_THRESHOLD;
//
params.weight_init=CV_BGFG_MOG_WEIGHT_INIT;
//初始权重
params.variance_init=CV_BGFG_MOG_SIGMA_INIT*CV_BGFG_MOG_SIGMA_INIT;
//初始方差
params.minArea=CV_BGFG_MOG_MINAREA;
//最小面积
params.n_gauss=CV_BGFG_MOG_NGAUSSIANS;
//高斯模型个数
}
else
params=*parameters;
//如果parameters非空，则将其参数赋给params
if（!
CV_IS_IMAGE（first_frame））//如果第一帧不是图像，报错
CV_ERROR（CV_StsBadArg,"
InvalidorNULLfirst_frameparameter"
CV_CALL（bg_model=（CvGaussBGModel*）cvAlloc（sizeof（*bg_model）））;
//为bg_model申请内存
memset（bg_model,0,sizeof（*bg_model））;
//初始化刚申请的内存
bg_model->
type=CV_BG_MODEL_MOG;
//背景模型类型是：
CV_BG_MODEL_MOG
release=（CvReleaseBGStatModel）icvReleaseGaussianBGModel;
//释放调用icvReleaseGaussianBGModel
update=（CvUpdateBGStatModel）icvUpdateGaussianBGModel;
// 更新调用icvUpdateGaussianBGModel
params=params;
//参数为params
//preparestorages
CV_CALL（bg_model->
g_point=（CvGaussBGPoint*）cvAlloc（sizeof（CvGaussBGPoint）*
（（first_frame->
width*first_frame->
height）+256）））;
//为背景模型bg_model的高斯背景点g_point分配内存，
background=cvCreateImage（cvSize（first_frame>
width,
first_frame->
height）,IPL_DEPTH_8U,first_frame->
nChannels））;
foreground=cvCreateImage（cvSize（first_frame->
width
first_frame->
height）,IPL_DEPTH_8U,1））;
storage=cvCreateMemStorage（））;
//initializing
var_init=2*params.std_threshold*params.std_threshold;
//初始化方差
g_point[0].g_values=
（CvGaussBGValues*）cvAlloc（sizeof（CvGaussBGValues）*params.n_gauss*（first_frame->
height+128）））;
for（i=0,p=0,n=0;
i<
first_frame->
height;
i++）
for（j=0;
j<
width;
j++,n++）//n
=i*first_frame->
width+j
g_point[n].g_values=
bg_model->
g_point[0].g_values+n*params.n_gauss;
g_point[n].g_values[0].weight=1;
//thefirstvalueseenhasweightone
//首个高斯模型，权值赋予1
g_point[n].g_values[0].match_sum=1;
//
thesumofmatchesforaparticulargaussian
for（m=0;
m<
nChannels;
m++）//对每个通道
g_point[n].g_values[0].variance[m]=var_init;
//第0个高斯模型的第M个通道的方差，
g_point[n].g_values[0].mean[m]=（unsignedchar）first_frame->
imageData[p+m];
//均值，第M通道的值
for（k=1;
k<
params.n_gauss;
k++）//其他高斯模型，
g_point[n].g_values[k].weight=0;
//第K个高斯模型的权值
0
g_point[n].g_values[k].match_sum=0;
//第K个高斯模型的match_sum
m++）
g_point[n].g_values[k].variance[m]=var_init;
//第K个高斯模型的第m通道的方差
g_point[n].g_values[k].mean[m]=0;
//第K个高斯模型的第m通道的均值0
p+=first_frame->
countFrames=0;
//帧=0
__END__;
if（cvGetErrStatus（）<
0）//如果有错误
CvBGStatModel*base_ptr=（CvBGStatModel*）bg_model;
if（bg_model&
&
release）
release（&
base_ptr）;
//释放模型
cvFree（&
bg_model）;
bg_model=0;
return（CvBGStatModel*）bg_model;
//返回创建的背景模型
}
CV_IMPLvoidCV_CDECL
icvReleaseGaussianBGModel（CvGaussBGModel**_bg_model）
//返回背景模型
icvReleaseGaussianBGModel"
_bg_model）
CV_ERROR（CV_StsNullPtr,"
"
if（*_bg_model）
CvGaussBGModel*bg_model=*_bg_model;
if（bg_model->
g_point）
g_point[0].g_values）;
//释放背景点中的值
g_point）;
//释放背景点
cvReleaseImage（&
background）;
//释放背景模型中的前景
foreground）;
//释放背景模型中的背景
cvReleaseMemStorage（&
storage）;
//释放背景模型中的存储器
cvFree（_bg_model）;
//释放背景模型
CV_IMPLint
CV_CDECL
icvUpdateGaussianBGModel（IplImage*curr_frame,CvGaussBGModel*
bg_model）
inti,j,k;
intregion_count=0;
CvSeq*first_seq=NULL,*prev_seq=NULL,*seq=NULL;
countFrames++;
//每执行一次更新，帧数++
for（i=0;
curr_frame->
j++）//对每个像素点逐点进行运算
intmatch[CV_BGFG_MOG_MAX_NGAUSSIANS];
//CV_BGFG_MOG_MAX_NGAUSSIANS=500,最大高斯模型数目：
match[500]
doublesort_key[CV_BGFG_MOG_MAX_NGAUSSIANS];
//排序:
sort_key[500]
constintnChannels=curr_frame->
//当前帧的通道数
constintn=i*curr_frame->
width+j;
//正在处理第几个像素，
constintp=n*curr_frame->
//第几个通道，这与图像（BGR,BGR,BGR....）的交叉存储格式有关
//Afewshortcuts
CvGaussBGPoint*g_point=&
g_point[n];
constCvGaussBGStatModelParamsbg_model_params=bg_model->
params;
doublepixel[4];
intno_match;
for（k=0;
nChannels;
k++）//获得某个像素的
第K通道的值
pixel[k]=（uchar）curr_frame->
imageData[p+k];
no_match=icvMatchTest（pixel,nChannels,match,g_point,&
bg_model_params）;
//判断该像素值是否与背景模型匹配
countFrames>
=bg_model->
params.win_size）//判断已经处理的帧数是否等于初始化阶段帧长，如果是则：
？
icvUpdateFullWindow（pixel,nChannels,match,g_point,&
params）;
//调用正常阶段更新函数进行更新
if（no_match==-1）
//如果没有找到匹配的，则调用正常阶段NoMatch情况的更新函数
icvUpdateFullNoMatch（curr_frame,p,match,g_point,&
else//初始化阶段
icvUpdatePartialWindow（pixel,nChannels,match,g_point,&
if（no_match==-1）
icvUpdatePartialNoMatch（pixel,nChannels,match,g_point,&
icvGetSortKey（nChannels,sort_key,g_point,&
//获得模型的适应度值
icvInsertionSortGaussians（g_point,sort_key,（CvGaussBGStatModelParams*）&
//进行排序
icvBackgroundTest（nChannels,n,p,match,bg_model）;
//判断是否是背景
//下面这段是前景滤波，滤掉小块区域。
cvClearMemStorage（bg_model->
//cvMorphologyEx（bg_model->
foreground,bg_model->
foreground,0,0,CV_MOP_OPEN,1）;
foreground,0,0,CV_MOP_CLOSE,1）;
cvFindContours（bg_model->
storage,&
first_seq,sizeof（CvContour）,CV_RETR_LIST）;
//对前景图像寻找轮廓，
for（seq=first_seq;
seq;
seq=seq->
h_next）
CvContour*cnt=（CvContour*）seq;
if（cnt->
rect.width*cnt->
rect.height<
params.minArea）//去掉小的区域
//deletesmallcontour
prev_seq=seq->
h_prev;
if（prev_seq）
prev_seq->
h_next=seq->
h_next;
if（seq->
seq->
h_next->
h_prev=prev_seq;
first_seq=seq->
h_prev=NULL;
}//endofif
region_count++;
//否则，区域数++
}//endoffor
foreground_regions=first_seq;
cvZero（bg_model->
foreground）;
cvDrawContours（bg_model->
foreground,first_seq,CV_RGB（0,0,255）,CV_RGB（0,0,255）,10,-1）;
//绘制前景轮廓
returnregion_count;
//返回轮廓数
staticvoidicvInsertionSortGaussians（CvGaussBGPoint*g_point,double*sort_key,CvGaussBGStatModelParams*bg_model_params）
inti,j;
for（i=1;
bg_model_params->
n_gauss;
i++）//对每个高斯背景模型
doubleindex=sort_key[i];
//获得适应度值
for（j=i;
j>
0&
sort_key[j-1]<
index;
j--）//sortdecendingorder降序排列，
doubletemp_sort_key=sort_key[j];
sort_key[j]=sort_key[j-1];
sort_key[j-1]=temp_sort_key;
CvGaussBGValuestemp_gauss_values=g_point->
g_values[j];
g_point->
g_values[j]=g_point->
g_values[j-1];
g_values[j-1]=temp_gauss_values;
//
sort_key[j]=index;
staticinticvMatchTest（double*src_pixel,intnChannels,int*match,
constCvGaussBGPoint*g_point,
升级会员 