MOD算法
前言
MOD的全称是移动目标障碍物检测，目前手里有一套古老的代码来实现的，用的是MOG2和VIBE算法这些，这些算法用不到神经网络，还是我在学校打比赛，做岗哨机器人使用的。可惜组内人员有限，也没有足够的动力转成采用神经网络来实现这个MOD功能。所以用大模型简单的调试一下吧。
正文
这里会这里的代码核心逻辑和细节写在这里。
首先，要梳理出整个算法的输入和输出。输入包括：BEV的鸟瞰图、汽车速度、时间戳、汽车挡位信息。输出就是某个方向的报警信息。
具体流程来说，运动状态的判断：
1、第一步进行图像预处理，a、对于输入的环视拼接图转成灰度图；b、通过当前汽车速度、时间戳、汽车的两次瞬移变化来判断当前的图像是否合理。c、判断图像是否模糊，这里主要通过梯度辐值、通过幅值的均值和方差判断是否在合理的范围内。
//用来评估模糊的经典组合
cv::Laplacian(matImageGray, dst, CV_16S, 3);
cv::convertScaleAbs( dst, abs_dst );
cv::meanStdDev(abs_dst, mu, stddev);
2、第二步需要通过光流法计算汽车的运动状态。主要还是依赖opencv库中的特征金字塔实现（docs.opencv.org/4.x/db/d7f/…
a、主要接口：calcOpticalFlowPyrLK(prevGray, imgGray, points[0], points[1], status, err, winSize, 3, termcrit, 0, 0.001);
prevGray : 上一时刻的图片；
imgGray： 当前时刻的图片；
points[0]： 需要追踪的特征点；
points[1]：追踪后的特征点；
status： 表示追踪的点是否成功；
winSize：表示特征金字塔检索窗口
maxlevel： 如果是0，则表示在原始分辨率；如果是3，则是表示搜索三层。
termcrit： 表示终止条件；
b、cv::Mat homography = cv::findHomography(pt2, pt1, homoMask, cv::RANSAC); 根据上一步的特征点计算二者的单应性矩阵。
根据可以计算出单应性矩阵的点和所有的光流特征点的比例0.33， 则是判断汽车是运动状态。通过归一化单应性矩阵的位移判断汽车的状态。
c、这里还有一个工作，原本的逻辑是选择固定位置的点作为特征点，我这里修改了一下，改成用代码寻找特征点。
cv::goodFeaturesToTrack(imgGray, corners, 300, 0.01, 10, mask);
输入灰度图，输出是角点corners, 300是输出的最多角点数， 0.01是角点质量判断，10是欧氏距离判断(类似nms), MASK是不参于的掩码区域。这里输出的特征点实际上作为每次计算单应性的初始特征点，每次都会重新更新。
到了这一步骤后，整个KIL的过程算是完成了
3、这步主要获取底盘数据，通过前后帧挡位、静止状态位(轮速传感器、IMU等)、车速等信息判断车辆的静止状态。通过光流法和底盘信息协同判断汽车的状态，分为三种静止、运动、转弯。
前后景的筛选，这里主要用了两种前景分割算法，第一种是MOG2；第二种是VIBE算法
MOG2算法，首先默认设置，也就是汽车一直处于一种状态的时候使用。
pMOG2 = cv::createBackgroundSubtractorMOG2(100, 25, false); // 默认 100 帧历史，25 阈值，false 表示不开启阴影检测
pMOG2->setVarThreshold(25.0);
pMOG2->setHistory(int(100));
MOG2其核心思想是：用概率模型去“学习”每一个像素点的历史变化，从而区分什么是背景，什么是运动前景。
高斯分布有三个关键值，均值(记忆中的颜色)，方差(允许活动的范围)，权重(这个权重的可靠度)。这里每个像素点最多有5个分布。
所以接口中的100的意思就是，大概经过100帧之后才会把新物体固定成背景，25表示的是方差阈值，也就是varthreshold
其次，会根据前后帧状态的变化，设定不同的参数，这里不贴具体的参数了。
pMOG2->apply(frameGray, fgMask); 更新成二值化背景图，然后通过开闭运算去除背景噪音点，获得最终的效果。
VIBE算法：它为每个像素点存储了一个样本库（Sample Set） 。当你判断一个新像素是否为背景时，直接去样本库里“比对”，如果长得像的样本够多，你就是背景。
分三种考虑啊，第一种剧烈状态进入平稳期，第二种是持续剧烈运动中；第三种则是其他可能
第一部分代码的核心：补偿机制(类似透明底盘)，将底盘区域置黑，不要进行干扰。这里主要考虑的是汽车运动的状态。
第二部分则是自己实现的VIBE算法，a、单帧初始化，将原始BEV图中随机8邻域缓存在样本库中；b、判断当前的像素与样本库的距离是否符合阈值，当匹配的次数大于设定的阈值时候，该像素则为背景，芣则为前景像素，但是当连续50帧时候则更新为背景因素。c、更新样本库，分为两次更新，第一次是时间上，直接替换，第二次是空间上，替换相邻像素的样本库。
最后，将两者算法得到的前景进行融合，如果车辆是静止的，要进行阴影去除算法，得到最终的结果。然后通过一些开闭的图像处理算法进行去除噪音点。
4、检测功能
a、首先会把上一步骤的各种小模块进行合并。主要通过欧式距离合并，只考虑合并大框和小框。
b、NMS操作，过滤噪音目标。
5、目标匹配与kalman 追踪
卡尔曼滤波器使用7维状态向量 [x, y, s, r, vx, vy, vs]：
• x, y：边界框中心坐标
• s：尺度（面积 = width × height）
• r：宽高比（aspect ratio = width / height）
• vx, vy, vs：x、y方向和尺度的速度
观察量是：矩形框的对角点。
总结
目前的显示效果是如下图所示，可以看到行人走到某个区域，某个区域进行报警。归根到底，这里实际上就是分为几个步骤，1、通过光流法判断汽车的状态；2、通过MOG2和VIBE算法进行前景提取；3、对前景进行框取，通过匈牙利匹配算法和CV运动kalman 算法进行追踪平滑；4、通过前景的结果进行报警。
