模型建立与求解精要.docx

1模型法背景建模 本文对于背景建模采用非模型方法，其关键在于灰度值选取的假设规则。本文采用混合高斯背景建模方法。用K个高斯模型来描述背景像素值的分布。它的基本思想是，对于缓慢变化的背景，可以用正态分布来表征像素灰度值的变化。每一个背景像素的值都可以通过多个正态分布的加权和来描述。所有背景建模算法的目标都是建立能够有效地描述背景变化的模型。相应地，衡量背景模型有效性的主要标准是模型对动态背景的鲁棒性。混合高斯模型考虑到背景运动的多模型，因此较之其他算法具有对动态背景更好的鲁棒性。下面以灰度视频为例来描述混合高斯模型的算法流程。对于彩色图像，只需要对各个颜色通道分别建立混合高斯模型即可。 假设背景静止不动，理论上只需要一个整数值就足以描述某背景图像像素点 的灰度变化。考虑到存在外界噪声，如摄像机噪声等因素，可以用一个高斯分布 N切，动来描述某像素点x的灰度统计信息。N恤，动就是单高斯背景模型，其 中包含两个模型参数，均值尸与标准差6。即使对于静止的背景，其成像灰度也 会随着时间的推移而逐渐发生缓慢的变化，这就要求我们所建立的背景模型的参 数必须随着时间不断更新。为了适应背景变化，必须实时地更新模型参数。以参 数尸为例，可以使用如下公式实现模型参数更新。 式中，μ为t时刻的均值，a为更新率，x‘为t时刻二像素点的灰度值。 单高斯模型通常只适合于一些静态不变场景，如室内场景，的背景建模，对 于动态场景无法获得准确的背景模型。而基于背景运动通常是多模的这一观点， 采用多个高斯模型来模拟背景更加符合实际。混合高斯模型，就是使用x个高斯 模型(x取3到s来模拟某个像素点的灰度分布情况。我们以像素点二为例， 在像素点x的混合高斯模型定义为 前景分割后处理的基本流程图如图所示 ┌──────────────┐ │获取当前帧与背景帧的差分图像│ └──────────────┘ ↓ ┌──────────────┐ │增加阅值控制消除部分噪点 │ └──────────────┘ ↓ ┌─────┐ │形态学处理│ └─────┘ ↓ ┌────────────┐ │获取较清晰运动图像 │ └────────────┘ 我们首先采用形态学的处理方法，先对前景图像进行膨胀操作，再对图像进行腐蚀操作。处理完成后可填补部分空洞，但仍不可避免一些存在运动物体被割裂的情况。这类问题主要可以分为两类，一类问题是在提取的前景物体中存在孔洞，检测时会误认为有多个目标存在，如图2.11-(a)所示;另一类问题是一个物体被分割成两个物体，二者不连通，如图2.12-(a)所示。 对于图2.11-(a)所示的第一类问题，只需要判断两运动物体的相对位置，当判断出一运动物体被另一运动物体包围时，则认为是孔洞造成的，不将其列入运动物体序列;对于图2.12-(a)所示的第二类问题，将所检出的前景前后物体伸缩一定像素值，若伸缩后与另一前景物体相交，且边界上的相交像素点百分数大于一阂值，则认为这两个前景物体是同一个运动物体。 通过改进的自适应参数更新背景建模，并经过f}值处理、形态学处理和前景 图像融合等一系列后处理，可以得到一幅较为清晰的、噪点较少的运动物体图像， 供后续处理过程使用。 阴影去除 在2.1节背景建模和2.2节运动物体分割、并完成后处理后，我们实现了对 前景运动物体的提取工作。能够从图像序列中提取出运动物体是后续一切处理工 作的基础，而不准确地或是错误地提取出运动物体则会严重妨碍后续流程的处理 工作(Sun et al, 2010 ) a 由于阴影区域与背景区域的差异，它会被划分成运动物体，加之其运动轨迹 几乎完全与运动物体轨迹一致，且具有边缘的茹连，在很多时候，他都会被算法 判断成是运动物体的一部分。这种误划分会导致运动物体外轮廓的畸形，运动物 体所占图像像素点数的剧增以及多个运动物体的茹连，直接影响后续处理的效 果。综上，去除阴影区域是运动物体检测和分类过程中很重要的一个步骤。 阴影检测和去除的现有成果主要可以分为两大类，如图2.13所示。 由图可见，阴影检测和去除方法主要可以分为两大类:基于特征的方法 和基于模型的方法(Zha et al, 2007 )。基于特征的方法又可以分为三种:提取RGB 空间中特征的方法、提取HSv空间中特征的方法以及提取纹理特征的方法。 RGB空间的方法的优点在于计算量小，但是在低分辨率图像中，颜色特征并不明显，此时RGB空间方法就失效了，需要