混高斯背景建模教材.pptVIP

2015/1/25 * 混合高斯模型背景建模 混合高斯模型背景建模 混合高斯模型背景建模的思想是把每一个像素点所呈现的颜色用M个状态来表示，通常M取3-5之间，将每个状态用一个高斯分布来近似．将像素点所呈现的颜色用随机变量X来表示，在每个时刻T得到视频图像的像素值为随机变量X的采样值．则对于第个状态的像素的分布可表示为： (19) 其中 和 分别表示期望和协方差矩阵。 随机变量X的分布可用k个状态分布的加权和来表示： (20) 2015/1/25 * 混合高斯模型背景建模 混合高斯模型背景建模 其中 是T时刻第k个高斯分布的权值，它代表了由第k个分布产生的采样值占总采样值的比例或者说表面k出现在该像素的先验概率，且 ．是全部参数的集合，定义为 ，所有参数需要从X的观察值估计得到．上述表达式的直观意义是：在T时刻观察到 的概率等于该值分别属于M个高斯分布的概率的加权和． GMM之所以能够将前景和背景分开是基于如下两点事实的：一，在长期观测的场景中，背景占大多数时间，更多的数据是支持背景分布的．二，即使是相对颜色一致的运动物体也会比背景产生更多变化，况且一般情况下物体都是带有不同颜色的．我们之所以将前景也用一个高斯分布来表示是因为：前景物体也有机会变为背景，当场景中添加物体时，通过一段自适应过程，可以用新的背景模型来替换旧的背景模型．而当物体移走时，由于原来的背景的模型依然存在，可以快速的恢复背景模型． 2015/1/25 * 混合高斯模型背景建模 混合高斯模型背景建模 混合高斯模型的参数更新: 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k个高斯分布Gk均值的距离小于其标准差的2．5倍，则定义该高斯分布Gk与像素值Xt匹配。 (初始化：第一帧中，第一个高斯分布的权值为1，期望为第一个像素数据．其余高斯分布权值为0，期望为0．每个高斯分布都被赋予适当的相等的初始方差．) 2015/1/25 * 混合高斯模型背景建模 混合高斯模型背景建模 如果检测出该像素混合高斯模型中至少有一个高斯分量与像 素Xt匹配，那么混合高斯模型的参数更新方式如下：1）对于 不匹配的高斯分量，他们的均值和协方差矩阵保持不变；2） 对于匹配的高斯分量，他们的均值和协方差矩阵按下式更新： 式中： ，α为参数估计的学习速率。 2015/1/25 * 混合高斯模型背景建模 混合高斯模型背景建模 如果该像素对应的混合高斯模型中，没有高斯分量与该像素Xt匹配，那么将最不可能代表背景过程的高斯分量Gj(权重最小的分量)重新赋值，即：用当前像素值Xt作为均值，并给予一个较大（比其他的高斯分量的方差都要大）的方差以及一个较小的权重（比其他的高斯分量的权重都要小）。 然后按下式更新所有高斯分量在T=t时刻的权重 ： 式中，如果t时刻Xt与高斯分量Gk匹配则 为1，否则为0。 2015/1/25 * 混合高斯模型背景建模 混合高斯模型背景建模 背景模型估计： 每个像素的模型更新后 按 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 式中T是预先设定的阈值，代表背景过程成分占整个高斯过程的比例 。 现在重新检测每一个像素Xt与得到的B个高斯分量是否匹配，如果匹配则为背景，否则为前景。 混合高斯模型背景建模 模型改进： 1）对参数的初始化方式以及更新方式： 首先用标准EM算法对前N帧进行学习（不参与前景建模），得到一个稳定的背景后采用固定的进行检测． 2）混合高斯模型中K的值自适应：在不同时间，不同区域K的值不同。 混合高斯模型背景建模 2015/1/25 * 基于流形学习的彩色图像后处理技术研究 基于运动矢量场平滑约束的帧率上转换算法研究 基于运动矢量场平滑约束的帧率上转换算法研究 基于运动矢量场平滑约束的帧率上转换算法研究 基于运动矢量场平滑约束的帧率上转换算法研究 基于运动矢量场平滑约束的帧率上转换算法研究 基于运动矢量场平滑约束的帧率上转换算法研究 基于运动矢量场平滑约束的帧率上转换算法研究 基于运动矢量场平滑约束的帧率上转换算法研究 基于运动矢量场平