(GMM.docVIP

GMM概述 GMM的基本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： 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： 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． 参数估计 首先介绍EM算法的基本思想，EM算法是一种从不完全数据或有数据丢失的数据集中求解模型分布参数的最大似然估计方法．通常在下列两种情况下，应用EM算法去估计参数，一是由于观测过程本身的限制或者错误，造成观测数据的丢失．．的密度函数和一组长度为N的样本数据．样本数据的联合概率密度函数表示为: 函数被称为样本的似然函数，它是关于参数的函数．在最大似然问题中，我们的目标是要找到一个使L取最大值的， 当是一个单高斯分布的时候，可以直接通过使的导数为零得到参数．而对于混合高斯模型，其似然函数形式可化为： 这个式子包含了和的对数，很难优化．但是，如果假设隐藏数据存在，它告诉我们数据是由哪个密度函数产生的，这样的话，似然函数就大大简化．具体的，假定对每个i，，如果第i个采样数据是由第k个密度函数产生的，则．如果知道了Y的值，则似然函数变为：对于GMM，已知为高斯分布，可进一步推导得到下面的结果： 这三个方程是迭代方程，新的参数值是用样本值和旧的参数值计算得到的．其中，，和是新估计的参数值，代表旧的参数值，表示X属于第i个分布的概率，可以用贝叶斯公式计算得到: 上面的三个式子是在已知的N个采样值的基础上得出的参数估计．为了进行实时计算，我们对每个式子进行推导．对于T-1时刻，式为： 则T时刻时有 令得：  对于同样可以用类似的方法推导出和的递推形式： 其中． 背景模型估计 对于M个分布，必须估计出其中哪些代表背景模型．在实际应用中，处理完当前帧后，模型的参数要进行必要的更新，所以每一帧都要进行背景模型的重新估计．一般的，我们会对有较多数据支持且方差较小的高斯分布感兴趣，因为它们代表背景模型的可能性较大． 考虑两种情况，一是当背景物体是持久静止的时候，这时该物体表面产生的高斯分布代表着背景分布，那么支持这个分布的数据会持续累积，而且它的方差也会越来越小．第二种情况，当一个新的物体遮挡了原来的背景物体时，一般会导致两种结果：要么产生一个新的分布，要么把一个己存在的分布的方差增大．另外，当新的物体是一个运动物体时，它一般也会比背景像素保持更大的变化直到它停下来．从以上两种情况可以看出，影响一个分布是否背景分布的重要因素有两个:一，该分布产生的数据所占的比例大小;二，该分布的方差大小．基于这两个因素，我们采取如下的方法进行估计． 首先以的值对k个分布进行排序，因为，代表了第k个分布产生的数据所占的比例，是该分布的标准差，所以可以直观的看出，的值越大，第k个分布是背景模型的可能性就越大．一个分布的权值增大或方差减小，都可以使的值增大．排序以后，M个分布形成了一个有序且末端开放的列表．最有可能是背景分布的排在最前面，较小可能的短暂的分布趋向于末端．我们将排序后的前C个分布选为背景模型，C满足： T是一个全局的先验概率，它表示了出现在像素范围内的任何值属于背景像素的概率．上式的含义是，在排过序的分布中，累积概率超过T的前C个分布被当作背景模型，剩余的其它分布被当作前景模型． 在实际应用中，T的值需要预先设定，如果选一个较小的T值，背景模型就变成单模态，这时仅仅使用了最有可能的分布作背景．如果选一个较大的T值，背景模型中就会包括一个以上的分布，这时就能描述多模态情况，产生一种透明的效果，允许背景模型接受两个或两个以上的色彩值．另外，如果是标量时用进行排序，如果是n维的向量，就用或来排序． 状态估计和后验概率近似 有了状态估计和前景分割方程,就可以用它们动态处理图像序列