高斯混合模型GaussianMixtureModel的背景建立.PDFVIP

第二章 高斯混合模型 (Gaussian Mixture Model)的背景建立 2.1 高斯混合模型簡介 高斯混合模型 (GMM)是在背景濾除 (Background Subtraction)研究上一 種常用來建立背景影像模型的方法，原因是影像的像素值 (pixel value) 是 不會固定的，不固定的原因分成 2 大類： (1) 移動所造成的改變：包括實際物體的移動，如被風吹動的樹葉 或草皮、濺起漣漪的湖面、漂動的雲、走動的人 …等，或是因 為攝影機搖晃所造成像素值的變化。 (2) 亮度的改變：在靜態的影像中，即使沒有移動的物體，一樣可 能因受外界環境的影響產生亮度變化，如太陽位置的變化、陰 影的遮蔽、室內電燈的開關、 CRT螢幕的掃描、日光燈的閃爍 … 等影響。 這些改變造成像素的值在原來的值附近做小幅的變動，所以非常適合 用高斯分佈去模型化背景的顏色分佈；但在很 多情況下，顏色的分佈不是 只在一個值附近做變動，而是在某幾個值做變動，如閃爍的湖面、閃爍的 電腦螢幕、或是隨光線移動所造成陰影的改變等情況，下圖 2-1可以清楚 的看出這些情況的顏色分佈，所以採 用多個高斯的分佈來模型化背景是較 適合的方式。 圖 2-1 常見的真實環境及其顏色 (R-G)分佈圖 15 以數學的觀點來看，對任一具有多類別的樣本(Pattern) 而言，高斯混合 模型具有極佳的近似能力，與傳統的單一高斯分佈 (Single Gaussian Mixture) 及向量量化 (Vector Quantization)兩種模型比較，單一高斯分佈模型，僅能 用一個平均值向量來代表一堆樣本在向量空間的中心位置，用共變異矩陣 來近似這些樣本在向量空間中所分佈的形狀，其效果當然不好。而向量量 化的模型，是用幾個重要的位置來代表整個向量空間，但模型本身並沒有 把這些樣本在空間中的分佈大小、形狀描述出來，因此此種方法也不理 想。而高斯混合模型使用多個高斯來代表特徵向量的分佈，以數學的觀點 來看，它不但精準地紀錄樣本的各種類別、在向量空間中的位置，也能描 述出這些類別在空間中的大小及形狀，因 此，高斯混合模型適合描述特徵 向量在顏色空間的分佈。 在採用高斯混合模型時，有一點要注意，假設我們所求取的特徵向量 的每一個維度在統計上是互相獨立 (Statically Independent)的關係，即 (R ， G ，B)三個顏色分佈是各自獨立的，此假設在顏色學的觀點上是合理的， 所以全共變異矩陣 (Full Covariance Matrix)是不需要的，對角共變異矩陣 (Diagonal Covariance Matrix)的高斯分佈的線性組合，就具有描述特徵向量 維度間的相關能力；做此假設的另一個原因，是可以降低計算時的複雜 度，因此在本論文中，高斯混合模型的共變異矩陣皆是對角矩陣。 2.2 模型描述 一個高斯混合模型具有三個參數，分別是混合加權值(mixture weights) 、平均值向量(mean vector)以及共變異矩陣(covariance matrix) ，將 這些參數集合起來並賦予新的符號，如下所示： { , λ , },μ 1wi i ∑i i ,2,..., M (2.1) 其中wi 表示混合加權值，μi 表示平均向量，∑i 表示共變異矩陣， 16 而M則是高斯分佈的個數，對每一個影像像素而言，都可以用 λ來表示 X X { X , ,...,X } 像素的模型。若我們的資料 N 1 2