OpenCV中前景-背景分割方法的区别答案

【问题标题】：Difference between foreground-background segmentation methods in OpenCVOpenCV中前景-背景分割方法的区别
【发布时间】：2013-04-22 21:47:18
【问题描述】：

OpenCV 2.4.5 版提供了几种不同的实现，可用于跟踪使用统计方法估计背景的移动对象。 OpenCV 在 CPU 上实现了 BackgroundSubtractorMOG、BackgroundSubtractorMOG2 类。此外，它还有BackgroundSubtractorMOG和BackgroundSubtractorMOG2的GPU实现，分别是gpu::MOG_GPU和gpu::MOG2_GPU。还有另外两种算法gpu::GMG_GPU 和gpu::FGDStatModel。

在我的应用程序中，我想在移动对象进入场景后立即对其进行分割。我想避免诸如阴影之类的误报。这 4 种算法似乎都专注于同一个目标——它们通过创建一个随时间变化的背景模型来将背景与前景分开。如果有这些实现经验的人可以帮助我决定使用哪个（GPU）实现，我正在徘徊。这些算法——MOG、MOG2、GMG 和 FGDStatModel——彼此之间有何不同？使用其中一种算法有什么优势？这些实现如何在速度、配置参数的能力、准确性、阴影检测（误报）等方面进行比较？

【问题讨论】：

标签： c++ opencv computer-vision image-segmentation

【解决方案1】：

我偶然发现了位于{opencv_folder}\samples\gpu 的演示源代码bgfg_segm.cpp。该演示显示了以下背景-前景分割类的用法并显示输出

FGDStatModel
MOG_GPU 
MOG2_GPU
VIBE_GPU  <- listed under `non-free functionality` in OpenCV documentation 
GMG_GPU

这正是我比较算法所需要的。显然，需要调整算法的参数以找到适合给定应用程序的一个算法（以及一组参数）。

速度对比：

FGDStatModel  ~60 frames per second (fps) <-slowest 
MOG_GPU       ~650 fps
MOG2_GPU      ~650 fps
VIBE_GPU      ~1000 fps <- fastest
GMG_GPU       ~190 fps

【讨论】：

@nkint 是的，准确度取决于您的应用程序以及为给定算法选择的参数。我没有进行广泛的研究。
@nkint 我没有进行广泛的研究，也没有对所有算法进行微调。我只是喜欢我的应用程序的 GMG_GPU 算法。这是我的主观意见。如果您知道这些 OpenCV 算法的更好更详细的比较，请告诉我。