OpenCV 中高斯背景建模相關論文

BackgroundSubtractorMOG:

Paper : An Improved Adaptive Background Mixture Model for Real-time Tracking with Shadow Detection

Website : ?http://personal.ee.surrey.ac.uk/Personal/R.Bowden/publications/avbs01/avbs01.pdf

創新點 ：用EM初始化每個高斯模型的參數。

BackgroundSubtractorMOG2:

Paper : Improved adaptive Gausian mixture model for background subtraction

Website :http://www.zoranz.net/Publications/zivkovic2004ICPR.pdf

創新點： 把混合高斯模型數量K變成自適應的了，而不像以前是一個固定值(一般3-5個)

Paper : Efficient Adaptive Density Estimapion per Image Pixel for the Task of Background Subtraction.

Paper: Recursive unsupervised learning of finite mixture models

EM 算法： 可被看作為一個逐次逼近算法：事先并不知道模型的 參數 ，可以隨機的選擇一套參數或者事先粗略地給定某個初始參數λ0 ，確定出對應于這組參數的最可能的狀態， 計算 每個訓練樣本的可能結果的 概率 ，在當前的狀態下再由樣本對參數修正，重新估計參數λ ，并在新的參數下重新確定模型的狀態，這樣，通過多次的迭代，循環直至某個收斂條件滿足為止，就可以使得模型的參數逐漸逼近真實參數。

形象比喻：食堂的大師傅炒了一份菜，要等分成兩份給兩個人吃，顯然沒有必要拿來天平一點一點的精確的去稱分量，最簡單的辦法是先隨意的把菜分到兩個碗中，然后觀察是否一樣多，把比較多的那一份取出一點放到另一個碗中，這個過程一直迭代地執行下去，直到大家看不出兩個碗所容納的菜有什么分量上的不同為止。

背景建模方法： 基于color特征，基于紋理

背景建模的挑戰：

1)? 漸進的光線變化；

2)? 光線的突然變化

3)? 動態的背景

4)? 前景與背景很相似

5)? 前景的陰影

6)? 初始化數據并不是純背景

7)? 視頻噪聲

相關網址：

單高斯背景建模：

單高斯背景建模認為，對于一個背景圖像，其中每個像素的亮度分布滿足高斯分布，這樣我們就可以對背景中的每個像素建模，模型參數包括：均值和方差。

對于一幅給定的圖像G，如果 Exp(-(IG(x,y)-u(x,y))^2/(2*d^2)) > T，認為(x,y)是背景點，反之是前景點。

同時隨著時間的變化，背景中的每個像素也會發生緩慢的變化，這就需要我們不斷的更新每個像素的背景模型參數：u(t+1,x,y) = a*u(t,x,y) + (1-a)*I(x,y)，其中a表示學習率，a越大，表示背景變化越緩慢。

混合高斯背景建模：

由于一般視頻是多模態的，背景的像素值會在多個像素值處波動，因此采用多個高斯模型來表示背景像素比較魯棒。每個高斯模型都有權重。

每當新的像素輸入到高斯模型，都要對模型中的參數進行更新。

歡迎加入我愛機器學習QQ14群：336582044

微信掃一掃，關注我愛機器學習公眾號

總結

以上是生活随笔為你收集整理的高斯背景建模 matlab,高斯背景建模整理 – 要饭的的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。