http://www.zhihuishi.com/source/2073.htmlhtml
高斯模型就是用高斯几率密度函数(正态分布曲线)精确地量化事物,将一个事物分解为若干的基于高斯几率密度函数(正态分布曲线)造成的模型。 对图像背景创建高斯模型的原理及过程:图像灰度直方图反映的是图像中某个灰度值出现的频次,也能够觉得是图像灰度几率密度的估计。若是图像所包含的目标区域和背景区域相差比较大,且背景区域和目标区域在灰度上有必定的差别,那么该图像的灰度直方图呈现双峰-谷形状,其中一个峰对应于目标,另外一个峰对应于背景的中心灰度。对于复杂的图像,尤为是医学图像,通常是多峰的。经过将直方图的多峰特性看做是多个高斯分布的叠加,能够解决图像的分割问题。 在智能监控系统中,对于运动目标的检测是中心内容,而在运动目标检测提取中,背景目标对于目标的识别和跟踪相当重要。而建模正是背景目标提取的一个重要环节。函数
咱们首先要提起背景和前景的概念,前景是指在假设背景为静止的状况下,任何有意义的运动物体即为前景。建模的基本思想是从当前帧中提取前景,其目的是使背景更接近当前视频帧的背景。即利用当前帧和视频序列中的当前背景帧进行加权平均来更新背景,可是因为光照突变以及其余外界环境的影响,通常的建模后的背景并不是十分干净清晰,而高斯混合模型(GMM,Gaussian mixture model)是建模最为成功的方法之一,同时GMM能够用在监控视频索引与检索。学习
混合高斯模型使用K(基本为3到5个) 个高斯模型来表征图像中各个像素点的特征,在新一帧图像得到后更新混合高斯模型,用当前图像中的每一个像素点与混合高斯模型匹配,若是成功则断定该点为背景点, 不然为前景点。通观整个高斯模型,他主要是有方差和均值两个参数决定,,对均值和方差的学习,采起不一样的学习机制,将直接影响到模型的稳定性、精确性和收敛性。因为咱们是对运动目标的背景提取建模,所以须要对高斯模型中方差和均值两个参数实时更新。为提升模型的学习能力,改进方法对均值和方差的更新采用不一样的学习率;为提升在繁忙的场景下,大而慢的运动目标的检测效果,引入权值均值的概念,创建背景图像并实时更新,而后结合权值、权值均值和背景图像对像素点进行前景和背景的分类。ui