包含hpp文件和cpp文件，内有描述函数的具体调用方式。视频增稳通过光流+卡尔曼实现，然后对于增稳后的视频，通过混合高斯背景建模，提取前景目标

在机器视觉检测中，图像光照不均匀现象会增加后续处理的难度，因此需要对其进行有效的阈值分割。算法通过窗口分割提取原图的背景灰度图后，结合局部对比度调整系数，对图像进行背景均匀化处理，然后进行全局阈值分割。实验对具有典型光照问题的高分辨率线纹尺图像处理效果良好，平均时间在0.5 s以内。通过与其他几种算法的对比，证明了本算法处理效果最佳，所耗时间满足实时性，为目标的进一步测量工作奠定了良好的基础。

代码的详细效果见博文https://blog.csdn.net/wenhao_ir/article/details/125007017 利用OpenCV的类BackgroundSubtractorKNN实现对道路监控视频前景/背景提取的代码 代码中有测试视频的下载链接。 去除车辆阴影的效果不错。

针对视觉背景提取(Vibe)运动目标检测算法存在的鬼影及阴影问题,利用鬼影与背景相似而运动目标与背景差异大的特点,提出了一种基于前景和邻域背景像素直方图相似度匹配的方法,快速检测鬼影并更新背景模型;利用阴影的颜色特性和纹理不变性,提出在亮度和色度分离的YCbCr色彩空间中先根据颜色特性得到候选阴影区域,再利用完全局部二值模式算子(CLBP)提取区域的详细纹理特征,进一步检测与去除阴影。在公开视频数据库CDnet-2012上进行仿真,仿真结果表明,该算法能够保证运动目标被完整检测的同时快速去除鬼影和阴影,其检测精度比原Vibe算法提高了21.53%。

介绍了背景的提取与自适应更新的算法,提出了一种基于直方图统计与多帧平均混合的算法。 这种算法克服单纯的多帧图像在车流量多、车速低时出现拖尾和模糊的现象,且相对于混合高斯模 型,其计算复杂度较低。该算法已通过 TI DM642 DSP硬件平台实现,实验图像结果表明,该背景提 取算法的速度快,且符合实际场景。

为提高对车辆图像的检测程度和实时性，针对智能交通系统，通过对实时路况的信息采集和视频图像的处理，提出了一种基于差分均值的背景提取计算方法和矩阵分区域的阴影检测方法，最终得到一个视频车辆的检测原型，从而实现对运动车辆的检测。实验结果表明，此种方法简单、计算量小、鲁棒性高，能快速地提取出背景图像，检测出比较完整的车辆阴影，可满足多运动目标的实时检测要求。

EdgePicker类中实现了Kirsch、Prewitt、Sobel、Gauss边缘提取算法，并根据MATLAB中的Canny算法实现了Canny算法，BianYuanJianCe.CPP中实现了背景提取。程序中图像的读取、存储用到了ImageMagick库，ImageMagick库的使用方法在ImageMagick.rar中有说明。

matlab图像背景提取代码DeepPBM：深度概率背景建模 该代码是ICPR2020模式识别深度学习研讨会（DLPR20）接受的以下论文的实现： DeepPBM：根据视频序列进行深度概率背景模型估计（） 作者：Amirreza Farnoosh，Behnaz Rezaei和Sarah Ostadabbas通讯作者： 要求 此代码已在Ubuntu 16.04上的Python3.6，Pytorch 1.0和CUDA 8.0上进行了测试。 MATLAB R2016b。 资料准备 本文使用以下数据集进行实验： BMC2012数据集： @inproceedings{vacavant2012benchmark, title={A benchmark dataset for outdoor foreground/background extraction}, author={Vacavant, Antoine and Chateau, Thierry and Wilhelm, Alexis and Lequi{\`e}vre, Laurent}, booktitle={Asian Conferen

在matlab环境中，利用差分法实现背景的提取

在运动物体检测与跟踪中中，运用帧差法提取背景