摘要：运动物体检测是计算机视觉中的一个重要应用，广泛应用于安防监控、交通分析、人机交互等领域。本文将详细介绍如何使用OpenCVSharp中的MOG（Mixture of Gaussians）算法实现运动物体检测，并通过一个完整的WPF应用程序示例展示实际应用。
动态效果：
运动物体检测是计算机视觉中的一个重要应用，广泛应用于安防监控、交通分析、人机交互等领域。本文将详细介绍如何使用OpenCVSharp中的MOG（Mixture of Gaussians）算法实现运动物体检测，并通过一个完整的WPF应用程序示例展示实际应用。
什么是MOG算法？
MOG（Mixture of Gaussians，高斯混合模型）是一种基于背景建模的运动检测算法。它通过对每个像素建立多个高斯分布模型来表示背景，能够有效处理光照变化、树叶摇曳等动态背景干扰。
MOG算法原理
背景建模：为每个像素建立K个高斯分布模型
模型匹配：将当前像素值与已有模型进行匹配
模型更新：根据匹配结果更新模型参数
前景检测：不匹配任何背景模型的像素被标记为前景
ViewModel设计
我们使用MVVM模式设计应用程序，主要包含以下属性和命令：
public classMovingObjectDetectionViewModel : BindableBase{
// 视频路径
publicstring VideoPath { get; set; }
// 图像显示
public BitmapImage OriginalImage { get; set; }
public BitmapImage ProcessedImage { get; set; }
// 处理状态
publicbool IsProcessing { get; set; }
publicstring StatusMessage { get; set; }
// 检测参数
publicdouble DetectionThreshold { get; set; }
// 统计信息
publicint FrameCount { get; set; }
publicint DetectedObjectsCount { get; set; }
// 命令
public ICommand SelectVideoCommand { get; privateset; }
public ICommand RunCommand { get; privateset; }
public ICommand StopCommand { get; privateset; }
}
主要实现在RunAsync中，我们来学习一下用到了OpenCVSharp的哪些方法。
using var capture = new VideoCapture(VideoPath);// 获取视频信息
int frameWidth = (int)capture.Get(VideoCaptureProperties.FrameWidth);
int frameHeight = (int)capture.Get(VideoCaptureProperties.FrameHeight);
double fps = capture.Get(VideoCaptureProperties.Fps);
int totalFrames = (int)capture.Get(VideoCaptureProperties.FrameCount);
首先可以这样获取视频的一些信息：
using var mog = BackgroundSubtractorMOG.Create;using var frame = new Mat;
using var fg = new Mat;
using var kernel = Cv2.GetStructuringElement(MorphShapes.Ellipse, new Size(5, 5));
遇到了一个新东西Cv2.GetStructuringElement。这行代码是创建一个形态学操作的结构元素（也称为核或卷积核），用于图像处理中的形态学变换。 Cv2.MorphologyEx(fg, fg, MorphTypes.Open, kernel);
这是OpenCVSharp中执行高级形态学操作的函数，支持多种形态学变换类型。
参数说明
第一个参数 fg：输入图像，即经过MOG背景减除后的前景掩码
第二个参数 fg：输出图像，处理后的结果会覆盖原图像
第三个参数 MorphTypes.Open：指定形态学操作类型为开运算
第四个参数 kernel：之前创建的5×5椭圆形结构元素
开运算（Opening Operation）是形态学处理中的一种基本操作，它由腐蚀（Erosion）后跟膨胀（Dilation）两个步骤组成：开运算 = 腐蚀 + 膨胀。
开运算的效果
去除小噪声：消除图像中的孤立白点（小噪声区域）
平滑轮廓：使物体轮廓更加平滑
断开细小连接：轻微分离可能连接在一起的不同物体
保持主要形状：不显著改变物体的大小和基本形状
我们需要大概了解一下腐蚀与膨胀是什么意思。
腐蚀：
膨胀：
OpenCVSharp.Point contours;
HierarchyIndex hierarchy;
Cv2.FindContours(fg, out contours, out hierarchy, RetrievalModes.External, contourApproximationModes.ApproxSimple);
又接触到了一个新东西Cv2.FindContours，这是OpenCV中查找轮廓的核心函数，用于在二值图像中检测物体边界。
参数详解
第一个参数 fg：输入的二值图像（经过形态学处理的前景掩码）
第二个参数 out contours：输出的轮廓数组
第三个参数 out hierarchy：输出的轮廓层次结构
第四个参数 RetrievalModes.External：轮廓检索模式
第五个参数 ContourApproximationModes.ApproxSimple：轮廓近似方法
轮廓检索模式
RetrievalModes.External含义：只检测最外层轮廓
适用场景：运动物体检测，因为我们只关心物体的外部边界
效果：忽略物体内部的孔洞
其他可选模式：
RetrievalModes.External // 只检测外轮廓RetrievalModes.List // 检测所有轮廓，不建立层次关系
RetrievalModes.CComp // 检测所有轮廓，建立两层层次关系
RetrievalModes.Tree // 检测所有轮廓，建立完整的层次树
轮廓近似方法
效果：减少轮廓点数，提高处理速度
适用场景：矩形或近似矩形的物体
其他可选方法：
ContourApproximationModes.ApproxNone // 保存所有轮廓点ContrieApproximationModes.ApproxSimple // 压缩轮廓，保留端点
ContourApproximationModes.ApproxTC89L1 // Teh-Chin链逼近算法L1
ContourApproximationModes.ApproxTC89KCOS // Teh-Chin链逼近算法KCOS
// 绘制检测到的运动物体
foreach (var contour in contours)
{
double area = Cv2.ContourArea(contour);
if (area > 300) // 过滤掉太小的区域
{
currentFrameObjects++;
var rect = Cv2.Boundingrect(contour);
Cv2.Rectangle(frame, rect, Scalar.Red, 2);
}
}
Cv2.ContourArea计算轮廓包围的面积
Cv2.BoundingRect计算轮廓的最小外接矩形
Cv2.Rectangle绘制矩形
就这样处理每一帧就可以得到上面的效果了。
来源：opendotnet
