自适应背景混合模型.pptVIP

Adaptive background mixture models for real-time tracking 朱璐敏 运动检测 目前运动物体检测的问题主要分为两类： 摄像机运动：光流法 通过求解偏微分方程求的图像序列的光流场，从而预测摄像机的运动状态 摄像机固定：背景减法 在摄像机固定的情况下，背景的变化是缓慢的，而且大都是光照，风等等的影响，通过对背景建模，对一幅给定图像分离前景和背景，一般来说，前景就是运动物体，从而达到运动物体检测的目的。 背景图像减法 获取场景的一帧的参考图像 实时拍摄的一帧新图像与之相减 对差图像取阈值 得到一副从固定背景中分割出来的二值化图像 背景图像减除法的关键问题 如何建立背景模型和实时更新模型参数以适应背景变化 这些背景变化包括： 场景的光照变化 场景构成的改变 如阳光强弱和方向的改变、照明灯具的开关、背景中物体的微小移动(树枝的随风摆动)、人或其他物体进入或移除场景等 单分布高斯背景模型 单分布高斯背景模型认为，对一个背景图像，特定像素亮度的分布满足高斯分布，即对背景图像B，(x,y)点的亮度满足： 　　IB(x,y) ~ N(u,d) 　　这样我们的背景模型的每个象素属性包括两个参数：平均值u 和 方差d。 　　对于一幅给定的图像G，如果 Exp(-(IG(x,y)-u(x,y))^2/(2*d^2)) T，认为(x,y)是背景点，反之是前景点。 　　同时，随着时间的变化，背景图像也会发生缓慢的变化，这时我们要不断更新每个象素点的参数 　　u(t+1,x,y) = a*u(t,x,y) + (1-a)*I(x,y) 　　这里，a称为更新参数，表示背景变化的速度，一般情况下，我们不更新d（实验中发现更不更新d，效果变化不大）。 自适应混合高斯背景模型 参数 混合高斯模型的参数更新 每个高斯模型的权值和均向量都初始化为0 协方差赋予一个较大的初始值K 在时刻t，对图像帧的每个像素值Xt和它对应的混合高斯模型进行匹配检验： 如果像素值Xt与混合高斯模型中第i个高斯分布Gi均值的距离小于其标准差的2．5倍，则定义该高斯分布Gi与像素值Xt匹配。 混合高斯模型的参数更新 混合高斯模型的参数更新 背景模型估计及运动分割 每个像素的模型更新后 确定哪些高斯分布能最佳描述背景过程 按 的从大到小将每个像素高斯混合模型的K个高斯分布排序 选择上述序列的前B个高斯分布作为背景像素模型 前景分割 * * * * 自适应背景实时跟踪混合模型 卡尔曼滤波器、单高斯、混合高斯模型 像素在t时刻的值 权系数估计值 协方差矩阵 高斯分布的概率密度函数 （9） （9） * *