基于MOG2与形态学操作的高速公路前景车辆分割

如果你处理过实时视频流，你肯定知道其中的痛苦：闪烁的灯光、拉伸的阴影，以及道路或障碍物等大量静态干扰物，让画面变得杂乱无章。我们的目标是清晰地提取出移动的车辆，以便后续进行跟踪或分类。接下来，我们将详细介绍我使用 OpenCV 构建的处理流程——其中没有用到神经网络。

首先使用 MOG2 进行背景减除

关键在于将前景（运动物体）与背景（静止的道路）分离。我使用了 OpenCV 的高斯混合模型背景/前景分割方法，也就是 cv2.createBackgroundSubtractorMOG2()。它具有自适应性，能够很好地处理光照变化等渐变情况。

基本上，它会分析前几帧图像，将“空”场景建模为每个像素的一系列高斯分布。然后，对于每一帧新图像，它会将任何不符合模型的内容标记为前景。移动的车辆会显示为黑色遮罩中的白色斑点。

以下是一个简单的代码片段，可以帮助你快速上手：

import cv2mog2 = cv2.createBackgroundSubtractorMOG2(history=500, varThreshold=50, detectShadows=True)# In your video loop:foreground_mask = mog2.apply(frame)

为了获得更稳定的模型，我将历史帧数设置为 500，提高了 varThreshold 值以捕捉细微的运动，并启用了阴影检测功能，将阴影标记为灰色（接下来我们会进行清理）。虽然它并不完美——例如挡风玻璃等深色区域可能会出现孔洞，或者阴影会使形状显得臃肿——但这已经是一个不错的开始。

形态学操作的抛光

原始的 MOG2 输出需要清理。这时就需要用到形态学：它通过简单的操作来优化二值图像。

首先，要设定一个明确的界限，使其完全黑白分明，摒弃灰色：

_, binary_mask = cv2.threshold(foreground_mask, 127, 255, cv2.THRESH_BINARY)threshold(foreground_mask, 127, 255, cv2.THRESH_BINARY)

然后，“闭合”以填充孔洞：膨胀（扩大白色区域），然后腐蚀（收缩回缩），使用椭圆核以获得平滑的车辆形状。

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, ( 5 , 5 )) closed_mask = cv2.morphologyEx(binary_mask, cv2.MORPH_CLOSE, kernel)

最后，稍加扩张，将同一车辆的任何分裂部分合并在一起：

dilated_mask = cv2.morphologyEx(closed_mask, cv2.MORPH_DILATE, kernel, iterations= 2 )

结果如何？车辆轮廓清晰、纯净，呈白色，可用于绘制边界框或进行跟踪。不再有孔洞或阴影变形。