OpenCV

【C++】OpenCVを用いた背景モデリングで実現するリアルタイム動体検出技術

2025-04-26更新日: 2025-04-26

C++とOpenCVを用いる背景モデリングは、動画の各フレームから動く物体を効果的に抽出できる技術です。

特にcv::BackgroundSubtractorMOG2などのアルゴリズムは、背景と前景を自動で識別するため、リアルタイムの処理が可能になります。

この手法は、監視や交通管理といった現場で活用される点が魅力です。

目次から探す

背景モデリングの基本原理

背景と前景の分離の仕組み

背景モデリングは、映像内の静かな部分と動く対象を分ける技術です。

各フレームごとに、背景は長い期間に渡る情報を元に更新され、動く対象は抽出されます。

例えば、映像中の固定された建物や風景は背景として扱い、通りを歩く歩行者や車両は前景として識別されます。

処理アルゴリズムは、各画素の値の変動を統計的に管理し、背景・前景の判断を行います。

ピクセルごとに分布を持たせる手法の場合、確率分布を用いて背景と前景の差異を示す重要なパラメーターが導入されます。

一般的な数式として、

$P (x) = \sum_{i = 1}^{K} w_{i} \cdot N (x; μ_{i}, σ_{i}^{2})$

と表されるように、 $K$ 個のガウス分布に基づいた重み付けで背景確率が算出されます。

動体検出の処理フロー

動体検出は以下のような流れで実施されます。

各フレームの取得と前処理

画像のノイズ除去や平滑化を行い、背景との差分を検出しやすい状態に変換します。

背景更新と前景抽出

アルゴリズムにより、背景モデルが逐次更新され、現在のフレームとモデルとの差分を元に前景領域(動体)が抽出されます。

後処理

抽出された前景領域に対し、モルフォロジー演算やコンター抽出などの手法を適用し、ノイズ除去や物体の輪郭抽出が行われます。

背景モデリングアルゴリズムの種類

背景モデリングに利用されるアルゴリズムは多数存在し、各手法は対象シーンの特性に合わせたパラメーター調整が必要となります。

ここでは代表的な MOG2 と KNN の特徴と動作について柔らかく説明します。

Mixture of Gaussians (MOG2)

基本動作の仕組み

MOG2 は各ピクセル毎に複数のガウス分布を管理し、時間の経過と共に各分布のパラメーターを更新しながら背景モデリングを行います。

複数のガウス分布を使うことで、背景の変動や照明の変化にも適応しやすく、動く物体との分離がしやすくなります。

以下は MOG2 を利用したサンプルコードです。

#include <opencv2/opencv.hpp>
#include <iostream>
int main() {
    // 動画ファイルの読み込み
    cv::VideoCapture video("sample_video.mp4");
    if (!video.isOpened()) {
        std::cerr << "動画ファイルが開けませんでした。" << std::endl;
        return -1;
    }
    cv::Mat frame, foregroundMask;
    // MOG2アルゴリズムのインスタンスを生成
    cv::Ptr<cv::BackgroundSubtractor> mog2 = cv::createBackgroundSubtractorMOG2();
    while (true) {
        video >> frame;
        if (frame.empty()) {
            break;
        }
        // 現在のフレームに対して前景抽出処理を実施
        mog2->apply(frame, foregroundMask);
        // 前景マスクをウィンドウに表示
        cv::imshow("動体検出", foregroundMask);
        // キー入力で終了可能
        if (cv::waitKey(30) >= 0) {
            break;
        }
    }
    return 0;
}

(実行時に「動体検出」ウィンドウに前景が白く表示され、背景との差分が確認できます)

使用した映像

動体検出された映像

このコードは、動画ファイルからフレームを順次読み込み、cv::createBackgroundSubtractorMOG2() により取得したアルゴリズムが各フレームの前景を抽出します。

各フレーム毎に MOG2 の内部パラメーターが自動的に更新され、環境に合わせた背景画像が表現されます。

パラメーター設定と調整方法

MOG2 のアルゴリズムは以下のパラメーターを調整することで効果的な背景抽出が実現できます。

history(履歴の長さ)

過去のフレーム数を指定し、背景モデルの更新速度に影響を与えます。

短い場合は急激な環境変化に適応しやすくなる反面、誤検出が発生しやすいこともあります。

varThreshold(分散の閾値)

ピクセルの分散に基づき背景か否かを判定するための閾値です。

環境条件に合わせて細かく調整する必要があります。

detectShadows(影検出の有無)

影も前景として検出するか否かの設定です。

影が多く発生する場合は、無効にするか、後処理で補正する工夫が必要です。

これらのパラメーターは実際の映像に合わせて試行錯誤しながら最適な値を見つけると、動体検出の精度が向上します。

K-Nearest Neighbors (KNN)

特徴と処理フロー

KNN アルゴリズムは、各画素の過去の値との距離を計算し、近傍のデータ数に基づいて背景か前景かの判定を行います。

MOG2 に比べ、パラメーターが少なくシンプルな実装が可能なため、扱いやすい特徴があります。

また、動態の急激な変化にも柔軟に対応できる点が魅力です。

処理は以下の流れで実施されます。

ピクセルごとに過去の値のリストを保持
現在の値とリストのデータとの距離を計算
一定の距離内にある値が多い場合は背景、少ない場合は前景と判断

パラメーター調整のポイント

KNN のアルゴリズムでは、比較的シンプルなパラメーターが設定可能です。

動作に影響する代表的なパラメーターは以下の通りです。

history: MOG2 と同様、背景モデルに参照する過去フレーム数
dist2Threshold: 各画素ごとの距離の閾値で、どの程度の変動を前景として認識するかを決めます
detectShadows: 影を背景として扱うか、前景として抽出するかを指定

これらのパラメーターも実際のシーンに合わせて調整することで、効果的な動体検出が実現できます。

アルゴリズムのパラメーター設定と最適化

調整の基本考え方

各背景モデリングアルゴリズムは、対象とする環境により最適な値が異なります。

パラメーター調整は以下のポイントを参考に実施することが推奨されます。

映像のフレームレートや照明条件に合わせた履歴の設定
ノイズの影響を抑えるための閾値の微調整
前景と背景の明確な分離が可能なパラメータの選定

適切にパラメーターを調整することで、動体検出の精度が向上し、誤検出のリスクが軽減されます。

最適化手法の検討

動作の安定性や環境条件に合わせた最適化手法も検討が必要です。

設定内容に柔軟性を持たせることで、実際の動作環境に適した処理を実現できます。

動作検証のアプローチ

動作検証では、各フレームごとの処理時間や検出精度を計測します。

効率的な検証方法としては、以下の手法が有効です。

フレーム毎に処理時間をログに保存し、平均値と最大値を求める
前景検出結果を実際の映像と比較し、誤検出率や検出漏れ率を算出する
異なるシーンでのパラメーター調整結果を記録する

これらのデータから、現場に合わせた最適なパラメーター設定が議論できます。

環境依存の最適化策

環境に応じた背景モデリングの最適化では、以下の点に注意が必要です。

昼夜や天候の変化に対応するための動的なパラメーター更新
高画質映像と低画質映像で異なる設定を用意する
実際の利用環境での計算資源や処理速度の制限に応じた設定

各環境に合わせたパラメーターの最適化を行うことで、全体の動作効率や精度が向上し、実用性が高まります。

リアルタイム動体検出の実現方法

フレーム処理の効率化

リアルタイム動体検出では、各フレームの処理速度が重要になります。

映像の解像度やフレームレートに応じて、アルゴリズムのパラメーターや前処理の手法を調整する必要があります。

無駄な計算を省くために、以下の工夫が行われます。

ROI(領域)を限定して計算量を削減
マスク処理や画像縮小を用いて必要な情報だけ抽出

これらの手法を適用することで、ユーザの負荷を抑えつつ高速な動体検出が可能となります。

遅延対策の工夫

動体検出では、処理の遅延が生じると実用性に影響が出ます。

遅延対策としては、次の点が挙げられます。

パイプライン処理による並列化
フレームキャッシュによる不連続な処理の防止
軽量なアルゴリズムやハードウェアアクセラレーションの活用

これにより、リアルタイム性を保ちながら正確な処理結果が得られるようになります。

マルチスレッド対応の手法

最近のコンピュータ環境では、複数のCPUコアを有効に活用することで、処理速度が向上します。

マルチスレッドを利用する場合、以下の点に注意が必要です。

スレッド間で共有するデータの整合性保証
並列処理可能な範囲の明確化とリソースの割り当て
スレッド管理のオーバーヘッドを最小限に抑える工夫

各フレームの前処理や背景更新を別スレッドで実行する設計とすることで、全体の処理速度が大幅に向上します。

サンプルコードの中に軽量なマルチスレッド処理の一例を紹介します。

#include <opencv2/opencv.hpp>
#include <thread>
#include <mutex>
#include <iostream>
// グローバル変数
cv::Mat globalFrame;
cv::Mat globalMask;
std::mutex frameMutex;
bool running = true;
// 背景抽出処理をマルチスレッドで実行
void backgroundSubtraction(cv::Ptr<cv::BackgroundSubtractor> subtractor) {
    while (running) {
        cv::Mat frameCopy;
        {
            std::lock_guard<std::mutex> lock(frameMutex);
            if (globalFrame.empty()) continue;
            frameCopy = globalFrame.clone();
        }
        subtractor->apply(frameCopy, globalMask);
        std::this_thread::sleep_for(std::chrono::milliseconds(10));
    }
}
int main() {
    cv::VideoCapture cap("sample_video.mp4");
    if (!cap.isOpened()) {
        std::cerr << "動画ファイルを開けませんでした。" << std::endl;
        return -1;
    }
    cv::Ptr<cv::BackgroundSubtractor> subtractor = cv::createBackgroundSubtractorMOG2();
    // サブスレッド開始
    std::thread worker(backgroundSubtraction, subtractor);
    while (true) {
        cv::Mat frame;
        cap >> frame;
        if (frame.empty()) break;
        {
            std::lock_guard<std::mutex> lock(frameMutex);
            globalFrame = frame.clone();
        }
        // 結果表示
        if (!globalMask.empty()) {
            cv::imshow("マルチスレッドによる動体検出", globalMask);
        }
        if (cv::waitKey(30) >= 0) break;
    }
    running = false;
    worker.join();
    return 0;
}

(「マルチスレッドによる動体検出」ウィンドウに前景が抽出された映像が表示され、効率的な動体検出が体感できる)

このコードでは、メインスレッドでフレームを取得しつつ、別スレッドで背景抽出処理を実施する構造になっています。

マルチスレッド対応の設計により、映像処理の遅延を軽減し、よりスムーズな動体検出が実現されます。

応用事例と活用シーン

背景モデリングを利用するシーンは幅広く、実際の活用事例をいくつか紹介します。

監視システムへの適用

監視カメラが常時映像を記録する環境では、背景モデリングを用いて動く対象のみをハイライトすることで、重要なイベントの検出が容易になります。

不審者の侵入検知
駐車場の車両動態モニタリング

交通管理分野での利用

交通信号や車線監視に背景モデリングを適用すれば、車両の動きを瞬時に把握でき、交通渋滞の解析や事故防止に役立ちます。

車両数のカウント
異常な動きの早期検知

映像解析分野での幅広い活用

映像コンテンツの解析やスポーツ映像の戦術解析など、さまざまな分野で動体検出と背景抽出技術が活用されるケースが増えています。

効果的な映像編集・合成
自動コンテンツ分類とAI解析

これらの活用シーンでは、背景モデリングにより余計な情報を省き、対象の動きを明確に把握することが可能となるため、システム全体の効率化や精度向上に寄与します。

アルゴリズムの課題と改善点

背景モデリングの技術は多くの利点を持つ一方、課題も存在しています。

ここでは主要な課題とその対策をいくつか挙げます。

誤検出の原因と対策

誤検出は、特に細かな環境変化やノイズが原因で発生しやすいです。

ノイズ除去フィルタを併用して、不要な動きを除去する
動的閾値の設定により、画素ごとの変動を柔軟に判断する

これにより、対象の動体と背景の差異が明確になり、誤検出が減少します。

照明変化への対応策

室内外や昼夜の照明変化により、背景のモデルが不安定になることがあります。

自動調整機能による履歴更新の頻度変更
高速な背景更新アルゴリズムの選定と実装

照明環境の変化に柔軟に対処することで、実際の運用状況下での精度を維持します。

影の影響軽減と補正方法

影が前景として誤認識されると、動体検出の精度が下がる可能性があります。

影抽出アルゴリズムの活用や、影成分を除去するための後処理
物体の輪郭検出と組み合わせることで、影と動体の違いを補正

適切な補正手法を導入することで、影によるノイズが減り、正確な物体抽出が可能になります。

パフォーマンス評価と検証

背景モデリングアルゴリズムの最適な適用には、実際の動作検証が不可欠です。

評価項目として次の点に着目することが求められます。

処理速度の測定

処理速度はリアルタイム動体検出において重要な指標です。

各フレームの処理にかかる時間を計測する
複数の環境下での平均処理速度を比較する

表にまとめると以下のようになります。

項目	測定方法	期待される効果
フレームレート	動作中のFPSの計測	リアルタイム性の確認
処理時間	各フレーム毎の処理時間	遅延の最小化

精度評価の指標

動体検出における精度は、誤検出率と検出漏れ率のバランスで判断します。

真陽性、偽陽性、真陰性、偽陰性の比率から評価
各アルゴリズムのパラメーター変更に伴う変化をグラフ化する

これらの指標により、実際の運用環境下での信頼性を数値的に把握できます。

ケーススタディによる検証

実践的な動作検証として、複数シーンのケーススタディを実施します。

都市部、室内、夜間など異なる環境下での動体検出状況を比較
パラメーター調整の結果を定量的に評価する

各ケースにおける結果をグラフや数値化したデータを基に議論することで、システム全体の改善点が明確になります。

まとめ

今回の記事では、背景モデリングの基本原理から具体的なアルゴリズムの動作、パラメーターの設定とその最適化、リアルタイム動体検出のための工夫、さらに応用シーンと検証手法に至るまで、幅広い内容を扱いました。

背景と前景の分離や各種アルゴリズムの特性を理解することで、利用シーンに合わせた最適な動体検出システムの構築を目指す方にとって、参考になる内容になれば嬉しいです。

各項目の調整方法や最適化手法においては、実際の映像環境に合わせた実験が鍵となるので、ぜひ試行錯誤の上で取り入れてみてほしいと思います。

参考文献

OpenCVベースの背景差分ライブラリ『BGSLibrary』 | by NegativeMind | Medium