高斯背景模型.ppt

Adaptivebackgroundmixturemodelsforreal-timetracking朱璐敏自适应背景实时跟踪混合模型

运动检测目前运动物体检测的问题主要分为两类：摄像机运动：光流法通过求解偏微分方程求的图像序列的光流场，从而预测摄像机的运动状态摄像机固定：背景减法在摄像机固定的情况下，背景的变化是缓慢的，而且大都是光照，风等等的影响，通过对背景建模，对一幅给定图像分离前景和背景，一般来说，前景就是运动物体，从而达到运动物体检测的目的。

背景图像减法获取场景的一帧的参考图像实时拍摄的一帧新图像与之相减对差图像取阈值得到一副从固定背景中分割出来的二值化图像

背景图像减除法的关键问题如何建立背景模型和实时更新模型参数以适应背景变化这些背景变化包括：场景的光照变化场景构成的改变如阳光强弱和方向的改变、照明灯具的开关、背景中物体的微小移动(树枝的随风摆动)、人或其他物体进入或移除场景等卡尔曼滤波器、单高斯、混合高斯模型

单分布高斯背景模型单分布高斯背景模型认为，对一个背景图像，特定像素亮度的分布满足高斯分布，即对背景图像B，(x,y)点的亮度满足：IB(x,y)~N(u,d)这样我们的背景模型的每个象素属性包括两个参数：平均值u和方差d。对于一幅给定的图像G，如果Exp(-(IG(x,y)-u(x,y))^2/(2*d^2))>T，认为(x,y)是背景点，反之是前景点。同时，随着时间的变化，背景图像也会发生缓慢的变化，这时我们要不断更新每个象素点的参数u(t+1,x,y)=a*u(t,x,y)+(1-a)*I(x,y)这里，a称为更新参数，表示背景变化的速度，一般情况下，我们不更新d（实验中发现更不更新d，效果变化不大）。

自适应混合高斯背景模型

参数像素在t时刻的值权系数估计值协方差矩阵高斯分布的概率密度函数

混合高斯模型的参数更新每个高斯模型的权值和均向量都初始化为0协方差赋予一个较大的初始值K在时刻t，对图像帧的每个像素值Xt和它对应的混合高斯模型进行匹配检验：如果像素值Xt与混合高斯模型中第i个高斯分布Gi均值的距离小于其标准差的2．5倍，则定义该高斯分布Gi与像素值Xt匹配。

混合高斯模型的参数更新

混合高斯模型的参数更新

背景模型估计及运动分割每个像素的模型更新后确定哪些高斯分布能最佳描述背景过程按的从大到小将每个像素高斯混合模型的K个高斯分布排序选择上述序列的前B个高斯分布作为背景像素模型

前景分割（9）（9）