各种运动检测算法的总结.docVIP

各种运动检测算法的总结 赵晓梅 2013.11.5 1. 帧差法算法： 输出图像。 2. 对称帧差法： 。 3. 平均算法： 4. 单高斯背景模型： 将图像中每一个像素点的颜色值看成是一个随机过程，并假设该点的某一像素值出现的概率服从高斯分布。 （关于std_init的含义：通常设置为20，本人猜测是个经验值，后期将尽量 找到设置该值的理论依据。） （关于的含义：是更新速率，该值可以自己随意设置。） 关于参数初始化和更新方法的自己的思考： 1. 初始图像即第一帧图像，所以每一点像素的均值为第一帧图像的像素值。 2. 初始标准差值猜测是个经验值，目前查阅一些资料没有找到设置该值的理论依 据。 3. 是更新速率，与均值和方差的计算方法本身无关。 4. 高斯模型的关键是采用高斯分布作为概率密度函数模型，而不是参数是如何得 来的，所以，我个人为，参数的计算方法只要合理并且效果好就可以，方法不局限于一 种，不过目前还没查找到其他方法。 5. 混合高斯模型算法步骤： 像素模型的定义： 每个像素由多个单模型描述：。K的值一般在3~5之间。其中，。 三个参数（权值、均值、方差）确定一个单模型。 像素模型参数的修正 Step1： 如果新像素满足：，则，新像素与该单模型匹配。如果，存在与新像素匹配的单模型，进入Step2；否则，进入Step3。（为常数，实验中取3）。 Step2：完成Step2直接转入Step4。 ( 修正与新像素匹配的单模型的权值，权值增量为。 ( 修正与新像素匹配的单模型的均值和方差。 文献中，用极大似然估计的方法重新估计模型的参数，当单模型的概率密度分布为高斯分布时，最大似然分布的解为：。 该方法需要保存原先的观测值，系统实现困难，可以采用单高斯模型的方法更新参数： Step3：如果新像素不与任何一个单模型匹配，则： ( 去除当前多模型集合中权重最小的单模型。 ( 增加一个新的单模型，新模型的权重为一个较小的值（实验中用0.01），均值为新像素值，方差为给定的较大的值（实验中为20）。 Step4：权重归一化 背景像素模型的选取 混合高斯模型对背景和前景都进行建模，因此要判别哪些单模型是背景模型。 背景模型具有以下特点：( 权重大：背景出现的频率高； ( 方差小：像素值变化不大。 求背景模型的方法： Argmin()是使得某个泛函取得最小值的函数。上式的含义是：满足括号里面的条件 的最小的N。 阈值T是某像素为背景的先验概率。大多数文献T取0.7。 判决输出 如果某像素满足公式：，则，该点为运动目标；否则为背景。 以上公式没有看懂，文献中也没有解释。编写程序时采用的是OpenCV中混合高斯模型的判决逻辑：如果新像素与第k个单模型匹配，且前k个单模型是背景模型，则该点为背景，否则为运动目标。