OpenCV提供了一个称为BackgroundSubtractor的类，在分割前景和背景时很方便。
在OpenCV3中有三种背景分割器：K-Nearest（KNN）、Mixture of Gaussians（MOG2）、Geometric Multigid（GMG）
BackgroundSubtractor类是专门用于视频分析的，即BackgroundSubtractor类会对每帧的环境进行“学习”。BackgroundSubtractor类常用来对不同帧进行比较，并存储以前的帧，可按时间推移方法来提高运动分析的结果。
import cv2
camera = cv2.VideoCapture(0) # 参数0表示第一个摄像头
mog = cv2.createBackgroundSubtractorMOG2()
while (1):
grabbed, frame_lwpCV = camera.read()
fgmask = mog.apply(frame_lwpCV)
cv2.imshow('frame', fgmask)
key = cv2.waitKey(1) & 0xFF
# 按'q'健退出循环
if key == ord('q'):
break
camera.release()
cv2.destroyAllWindows()
BackgroundSubtractor类的另一个基本特征是它可以计算阴影。这对于精确读取视频帧绝对是至关重要的；通过检测阴影，可以排除检测图像的阴影区域（采用阈值方式），从而能关注实际特征。
import cv2
import numpy as np
camera = cv2.VideoCapture(0) # 参数0表示第一个摄像头
bs = cv2.createBackgroundSubtractorKNN(detectShadows=True)
es = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
while True:
grabbed, frame_lwpCV = camera.read()
fgmask = bs.apply(frame_lwpCV) # 背景分割器，该函数计算了前景掩码
# 二值化阈值处理，前景掩码含有前景的白色值以及阴影的灰色值，在阈值化图像中，将非纯白色（244~255）的所有像素都设为0，而不是255
th = cv2.threshold(fgmask.copy(), 244, 255, cv2.THRESH_BINARY)[1]
# 下面就跟基本运动检测中方法相同，识别目标，检测轮廓，在原始帧上绘制检测结果
dilated = cv2.dilate(th, es, iterations=2) # 形态学膨胀
image, contours, hierarchy = cv2.findContours(dilated, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 该函数计算一幅图像中目标的轮廓
for c in contours:
if cv2.contourArea(c) > 1600:
(x, y, w, h) = cv2.boundingRect(c)
cv2.rectangle(frame_lwpCV, (x, y), (x + w, y + h), (255, 255, 0), 2)
cv2.imshow('mog', fgmask)
cv2.imshow('thresh', th)
cv2.imshow('detection', frame_lwpCV)
key = cv2.waitKey(1) & 0xFF
# 按'q'健退出循环
if key == ord('q'):
break
# When everything done, release the capture
camera.release()
cv2.destroyAllWindows()
图片从左到右依次为：检测出的运动目标、背景分割、背景分割后阈值化
OpenCV提供了一个称为BackgroundSubtractor的类，在分割前景和背景时很方便。 在OpenCV3中有三种背景分割器：K-Nearest（KNN）、Mixture of Gaussians（MOG2）、Geometric Multigid（GMG）BackgroundSubtractor类是专门用于视频分析的，即BackgroundSubtractor类会对每帧的环境进行“学习”
本篇内容主要是对
运动物体进行
检测，通过使用
MOG2（高斯混合模型建模）来进行物体
运动前
背景分离，来
检测运动的物体，最后对其进行图像处理，再画出其最小外接矩形，达到对
运动物体的分割与
检测。具体代码如下：
#include<
opencv.hpp>
#include<imgproc.hpp>
#include<highgui.hpp>
#include<cstdio>
#include<vector>
#include<iostream>
混合高斯分布（GMM）是背景建模中的经典算法，自提出至今已经有了很多围绕它改进和应用的论文。opencv中（2.4.13版本）也引入了该算法及其改进版本。
首先是基本版本的GMM，opencv将其封装为BackgroundSubtractorMOG，有关该版本算法源码解读及相关论文翻译参考点击打开链接
之后是改进版GMM，opencv把它封装为BackgroundSubtractorMOG2算法类，源代码位于opencv\sources\modules\video\src\bgfg_gaussmix2.
视频图像
中的目标
检测与跟踪，是计算机视觉的基础课题，同时具有广泛的应用价值。视觉目标(单目标)跟踪任务就是在给定某
视频序列初始帧的目标大小与位置的情况下，预测后续帧
中该目标的大小与位置。依照目标与摄像头之间的关系可分为两种
场景的目标追踪：
静态
场景：目标
检测相对简单，研究渐趋成熟。
动态
场景：相对复杂，当前研究领域的热点。
本文只介绍静态
场景的
opencv-python-headless是一个不带图形界面的版本的OpenCV，它可以用来进行图像处理和计算机视觉任务，但是不能用来显示图像或视频。
要使用opencv-python-headless，你需要先安装它。有两种方法可以安装它：
1. 使用pip安装：在命令行中输入`pip install opencv-python-headless`。
2. 从源代码编译安装：从https://github.com/skvark/opencv-python-headless 下载源代码，然后运行以下命令进行安装：
python setup.py install
安装完成后，你可以使用import语句将opencv-python-headless导入你的Python程序中。例如：
```python
import cv2
然后你就可以使用OpenCV的各种功能了。
注意：如果你想要使用OpenCV显示图像或视频，你应该使用带图形界面的版本的OpenCV，例如opencv-python。
demon160:
（OpenCV+Python）--检测场景内是否有物体移动，并进行人脸抓拍
静思心远:
（OpenCV+Python）--目标跟踪，卡尔曼滤波+鼠标轨迹跟踪
静思心远:
论文笔记3 --（ReID）In Defense of the Triplet Loss for Person Re-Identification
pengpenglang:
TensorFlow学习笔记（9）--使用CNN做英文文本分类任务
weixin_53696822:
论文笔记34 -- （自动驾驶）【CVPR2021】SE-SSD: Self-Ensembling Single-Stage Object Detector From Point Cloud
论文笔记33 -- （CV）【ICCV2021】Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
论文笔记33 -- （细粒度识别）【CVPR2021】TransFG: A Transformer Architecture for Fine-grained Recognition
