基于视频的运动目标检测概述课件.pptVIP

* 任何实际的算法都要在精确度、复杂度以及通用性等方面进行权衡折衷考虑。目前，几乎所有算法都是针对某种特定应用问题提出的，通用的算法还有待探求。 * * 融合了背景减除法的改进混合高斯模型 混合高斯模型使用固定的学习率 ，如果其值较小，模型的初始建立时间较长，如果其值较大，则会降低模型对视频中噪声(如树叶摇晃)的抑制作用。 背景能够适应缓慢的光照变化、树叶摇动等因素引起的变化，而对于突然的光照变化适应性慢，检测结果中含有大量的阴影。 由于树叶的摇动在水面或反光物体上产生的突然反光不服从高斯分布，从而在检测结果中出现频繁的闪动。 针对这些问题，融合背景减除法对混合高斯进行改进，在初始建模时采用新的更新算法，能够快速准确地建立初始背景模型。 融合了背景减除法的改进混合高斯模型 混合高斯模型更新方程： 融合背景减除法: 为改进的混合高斯的检测结果 Default:T=50，N=200 Mi为每个高斯分布相匹配的次数 混合高斯及改进算法实验结果（1） 图1 高速路监控视频初始建模实验结果 图2户外停车场监控视频初始建模实验结果 混合高斯建模，由于背景更新速率较慢，在初始建模时(第120帧以前)，背景模型不够健全，开始时检测的结果残缺或漏检。而改进混合高斯算法在第40帧左右建立初始模型，快速检测出完整性好的运动目标，即该改进的方法能够快速建立初始背景模型。 混