混合高斯背景建模方法运动目标检测算法的研究与实现
基于改进混合高斯模型的运动目标检测算法
频做进一步处理（ 编码、 目 标跟踪、目标分类、 目标行为 理解等） 的基础。运动 目标检测方法主要有光流计算法、
帧间差分 法和 背景 减除法 ３ ， 中，背景减 除法 是 目前 种 其 研 究最 多、 用最广 泛 的方法 。 应 文献 ［ 提 出的 自适应 混合 １ ］
ＤＯＩ １ ． ６ ／ｉ ｎ１０ —４ ８ ０２１ ． ５ ： Ｏ３ ９ｊｓ ．０ ０３ ２ ． １ ．８０ ９ ．ｓ ２ ４
１ 概 述
运 动 目 检测 是视频 图像分 析 的重 要部 分 ， 是对视 标 也
和空 间上对像 素进行 建模 ， 减少 了环境 的干 扰 ， 强 了混 增
合高斯模型的自适应性。 然而， 这些方法对运动速度变化
型的 目 标检测算法 。引入背景学 习参数 ，结合前一帧 的检测结果 自适应地更新背景 ， 从而提取完整 的运动 目标 。利用像素 的八连通 区域信 息抑制噪声 ， 提高算法在复杂环境中的稳定性 。实验结果表 明，与传统检测方法相 比，该算法能够在复杂环境中准确地 检测 出短暂停滞 的
运 动 目标 。
ａｅ ｓｕｉｉｅ ｏ ｓ ｐ ｒｓ ｏｓ ｓａ ｄ ｉ ｒ ｖ ｔ ｔｂｉｔ ｎ ｔｅ ｃ ｍｐｅ ｎｖｒｎ ｅ ｔ ｅ ｅａ ｘ ｅ ｉ ｎ ｓａ ｅ ｉ ｐｅ ｅ ｔｄ ａ ｄ ｔ ｅ ｕｔ ｒａ ｉ ｔｌ ｄ ｔ ｕ ｐ ｅｓ ｎ ｉｅ ｚ ｎ ｍｐ ｏ ｅ ｉ ｓ ｓ ａ ｌｙ ｉ ｈ ｏ ｌｘ ｅ ｉｏ ｍ ｎ ．Ｓ ｖ ｒ ｌｅ ｐ ｒｍｅ ｔ ｒ ｍ ｌｍ ｎｅ ｉ ｎ ｈｅｒ ｓ ｌ ｓ
ＳＵＮ ｉｇａ ，ＬＩＨ ｏ Ｙ － ｎｇ ｎｇ， ＺＨ ＡＮ Ｇ ｏ Ｈ ｎｇ— ｉ ｙ ｎｇ
基于自适应混合高斯模型背景提取的研究
基于自适应混合高斯模型背景提取的研究[摘要]运动目标检测的主要方法有相邻帧差法与背景减法，在背景减法中，准确的提取背景是运动目标检测的核心任务之一。
背景提取的主要方法有均值法、中值法、mode算法[1]以及基于单高斯模型与混合高斯模型的背景提取方法，前四种方法的求解过程比较简单，但对于复杂多变的背景，提取的准确性较差.对此本文提出了一种基于自适应混合高斯模型的背景提取的算法，实验结果验证了算法的实用性与有效性。
[关键词]背景提取；混合高斯模型；目标检测中图分类号：tp391.41文献标识码：a文章编号：1009-914x（2013）21-0066-021.引言在视频监控技术中，运动目标的有效检测、提取已成为关键，并且是进行目标跟踪、识别等后续处理的基础[2]。
运动目标检测的方法主要有相邻帧差法与背景减法，相邻帧差法检测速度快、对光照不敏感，应对环境变化的能力较强，但不能检测静止或者运动速度慢的物体，容易产生空洞[3]，背景减法相对能完整的分割出运动目标。
背景图像减法一般先获取场景一帧的参考图像，然后实时拍摄的一帧新图像与之相减，在对差图像取阈值，最后得到一副从固定背景中分割出来的二值化图像。
景图像减法中会遇到几个关键性的问题，一是如何建立背景模型和实时更新模型参数以适应背景变化；二是这些背景变化包括：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、人或其他物体进入或移除场景等等。
这些外在环境的时时改变，都会影响运动目标检测的准确性。
为解决现存在的各种问题，本文提出一种基于自适应混合高斯模型背景提取的方法。
2.单高斯分布背景模型对一个背景图像，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： b（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。
5.实验结果分析为了充分验证算法的效果，本文使用在校园里所拍摄的一段视频进行目标检测实验，在文章所测试的400幅图像中，绝大部分都能很好的检测出运动目标，下图为一组例子基于单高斯与自适应混合高斯模型对目标检测的效果。
高斯混合模型目标检测流程
下载温馨提示:该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。
文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by theeditor.I hope that after you download them,they can help yousolve practical problems. The document can be customized andmodified after downloading,please adjust and use it according toactual needs, thank you!In addition, our shop provides you with various types ofpractical materials,such as educational essays, diaryappreciation,sentence excerpts,ancient poems,classic articles,topic composition,work summary,word parsing,copy excerpts,other materials and so on,want to know different data formats andwriting methods,please pay attention！高斯混合模型目标检测流程目标检测是计算机视觉领域中的重要任务，它旨在从图像或视频中准确地识别和定位感兴趣的目标物体。
基于高斯混合模型的背景建模球员检测算法
测效果的负面影响。
动态场 景下运动 目标检测 的关键 问题是如何 建立背景
模 型 和 实 时 更 新模 型参 数 以适 应 背 景 变 化 。 目前 ， 经 提 出 已
１ 引 言
体育视频 中， 球员 的检测作 为整个 体育视频分 析系统的
底层 ， 目标 是尽 可能精确地从视频 图像 序列 中将球 员区域提 取 出来 。运动员检测 效果 对后续 的跟 踪、 别 、 战术 分析 识 及 等影 响巨大 。然而 ， 由于体育视 频背 景 图像 的频 繁变化 ， 如
ｓａ ｅ Ａｃ ｏ ｄｎｇ ｔ ｈ ｐ ｃ ａ ｒａ，ｔ ｅ Ｇａ ｓＭ ｉｔ ｒ ｄｅｓａ ｅ ｕ ｄａｅ ｔ ｆｅｅ ｔｒｔ ｓ Ｆ ｎ ｌ ｔｇ ． ｃ ｒ ｉ ｏ ｔ ｅ ｓ ｅ ｉｌａｅ ｈ ｕｓ ｘ ｕ ｅ Ｍｏ ｌ ｒ ｐ ｔ ｄ ｗｉｈ ｄｉ ｒ ｎ ａｅ ． ｉ ａｌ ｙ，ｂ ｃ ｇ ｏ ｎ ａ ｋ ｒｕ ｄ
第２卷 第９ ７ 期
文章编号 ：０ ６— ３ ８ ２ １ ） ９— ２ ８—０ １０ ９ ４ （０ ０ ０ ０ ５ ５
计
算机仿源自真 ２１年９ ０ ０ 月
基 高 混 合模 型 的 背景 建模 球 员检 测 算 法 于 斯
阁 刚 ， 国栋 ， 崔 于 明
（ 河北 工 业 大 学 计 算 机 科 学 与 软件 学 院 ， 津 ３０ ３ ） 天 ０ １０ 摘 要 ： 研 究 体 育视 频 的 问题 中 ， 对 现 有 的 运 动 目标 检 测 方 法 在 体 育 视频 中易 受 场 景 变 化 的影 响不 能 准 确 检 测 出 运 动 员 ， 在 针
中 图分 类 号 ：Ｐ ９ Ｔ ３１ 文献 标 识 码 ： Ｂ
Ｐｌｙ ｒ Ｄｅ ｅ ｔｏ ｇ ｒｔ ｍ ｓ ｄ ｎ Ｇ ａ ｓａ ａ ｅ ｔ ｃｉ ｎ Ａｌ ｏ ｉｈ Ｂａ ｅ ｏ ｕｓｉ ｎ
改进的基于高斯混合模型的运动目标检测算法
ｒ ｌ ａ ｄ ｅ ｕ ｅ ｎ ｎ ｗ Ｇａ ｓ ｉｎ ｉｔｉ ｕ ｉ ｎ ｅ ｅ ａ ｉ ｎ ｕ ｅ ｕ ｉ ｇ ｈ ｍｏ ｅ ｕ ｄ ｔ ． ｈ ｅ ｐ ｒ ｅ ｔ ｌ ｅ ｕ ｔ ｄ ｍｏ ｓ ａｅ ｈ ｉ ｕ ｓａ ｄ ｓｒ ｔ ｇ ｎ ｒ ｔ ｒ ｌ ｄ ｒｎ ｔ ｅ ｂ ｏ ｏ ｄ ｌ ｐ ａ ｅＴ ｅ ｘ ｅ ｉ ｎ ａ ｒ ｓ ｌ ｍ ｓ ｅ ｎ ｔ ｔ ｔ ｅ ｍ－ ｒ
Ｌ ｎ ， ＨＡＯ Ｘｕ ｊｅ ｍｐ ｏ ｅ ｖｎ ｂｅｔ ｄ ｔｃｉｎ ａｇ ｒ ｈ ｂ ｓｄ ｏ ｕ ｓ ｎ ｍｉｔｒ ｄ １ ｍｐ ｔｒＥ ｇ－ ＩＭｉｇ Ｚ ｎｉ Ｉ ｒｖｄ ｍｏ ｉｇ ｏ ｊｃｓ ｅｅｔ ｌｏ ｉ ｍ ａｅ ｎ Ｇａ ｓｉ ｘｕ ｅ ｍｏ ｅＣｏ ｕｅ ｎ ｉ ． ｏ ｔ ａ ．
ｎ ｅｉ ｇ ａ ｄ Ａｐ ｌ ａｉｎ ， ０ １ ４ （ ） ２ ４ ２ ６ ｅ ｒｎ ｎ ｐｉ ｔ ｓ ２ １ ， ７ ８ ： ０ —０ ． ｃ ｏ
Ａｂｔａ ｔ ｎ ａ ｖｄｏ ｓｒｅｌｎ ｅ ｓｓ ｍ ｔ ｔｔ ａ ｒｓｔｅｍｏ ｉ ｂｅｔ’ｒｓｎｅ ｄ ｒ ｇ ｔｅ ｉｉａｉ ｔ ｎ ｔ ｈ ｒ－ ｓ ｃ：Ｉ ｉｅ ｕｖ ｉａ ｃ ｙｔ ｗｉ ｓ ｉ ｃｍｅａ， ｖｎ ｏ ｊｃｓｐｅｅｃ ｕｉ ｈ ｎｔ ｌ ａｉ ｏ ｔｅｔ ｒ ｌ ｅ ｈ ａｃ ｈ ｇ ｎ ｉｚ ｏ ａ ｄｔ ｎ ｌｍｏ ｉｇ ｏｊｃ ｅｅｔ ｎ ａ ｏ ｔｍ ａｅ ｎ Ｇａｓｉ ｘｕｅ ｍｏ ｅ ｏ ｅ ｅｕ ｓ ｉ ｔｅ ｌｗ ｃｎ ｅｇｎ ｅ ｓｅｄＴ ｉｏ ａ ｉ ｖｎ ｂｅｔ ｄｔｃ ｏ ｌ ｒｈ ｂｓｄ ｏ ｕ ｓ ｎ ｍｉｔｒ ｄｌ ｆ ｎ ｒｓｌ ｎ ｈ ｏ ｏ ｖ ｒｅ ｃ ｐｅ ．ｏ ｓ ｉ ｇｉ ａ ｔ ｔ
ｉ ｃ ｅ ｓ ｔ ｅ ｎ ｒ ａ ｅ ｈ ｍｏ ｅ ｃ ｎ ｅ ｇ ｎ ｅ ｓ ｅ ｄ， ｎ ｍｐ ｏ ｅ ｄ ｔ ｃｉ ｎ ｌ ｏ ｉ ｍ ｉ ｐ ｅ ｅ ｔ ｄＴｈ ｉ ｒ ｖ ｄ ｄ ｌ ｏ ｖ ｒ ｅ ｃ ｐ ｅ ａ ｉ ｒ ｖ ｄ ｅ ｅ ｔ ａ ｇ ｒ ｈ ｏ ｔ ｓ ｒ ｓ ｎ ｅ ． ｅ ｍｐ ｏ ｅ ｍｅ ｏ Ｕ ｅ ｏ —ｉ ｅ ｈ ｔ ｄ ＳＳ ｎｌ ｎ Ｋ－ ａ ｓ ｃ ｕ ｔｒｎ ａｇ ｒｔ ｍ ｏ ｉ ｉ ａ ｉｅ ｈ ｍｅ ｎ ｌ ｓｅ ｉ ｇ ｌ ｏ ｉ ｈ ｔ ｎ ｔ ｌ ｔ ｅ ｍｏ ｅ ． ｌｏ ａ ｅ ｅ ｍｅ ｏ ｙ ｐ ｃ ｗｉ ｈ ｍｐ ｏ ｅ ｎ ｏ ｈ ｔｈ ｎ ｉ ｚ ｄ １ ｔ ａ ｓ ｓ ｖ ｓ ｔ ｍ ｒ ｓ ａ ｅ Ｉ ｈ ｔ ｔ ｅ ｉ ｒ ｖ ｍｅ ｔ ｔ ｔ ｅ ｍａｃ ｉ ｇ ｈ
混合高斯模型算法原理
混合高斯模型算法原理混合高斯模型是一种经典的背景建模算法，用于背景相对稳定情况下的运动目标检测。
它由单高斯模型发展而来，对于多模态的背景有一定的鲁棒性，如：树叶晃动、水纹波动等。
在介绍混合高斯模型前，首先介绍单高斯模型。
1. 单高斯背景模型：单高斯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，并假设该点的像素值出现的概率服从高斯分布。
该算法的基本原理就是对每一个像素位置建立一个高斯模型，模型中保存该处像素的均值和方差。
如，可设),(y x 处像素的均值为),(y x u ，方差为),(2y x σ，标准差为),(y x σ。
由于随着视频图像序列的输入，模型参数不断更新，所以不同时刻模型参数有不同的值，故可将模型参数表示为三个变量t y x ,,的函数：均值),,(t y x u 、方差),,(2t y x σ、标准差),,(t y x σ。
用单高斯模型进行运动检测的基本过程包括：模型的初始化、更新参数并检测两个步骤。
1）模型初始化模型的初始化即对每个像素位置上对应的高斯模型参数进行初始化，初始化采用如下公式完成：⎪⎩⎪⎨⎧===init std y x init std y x y x I y x u _)0,,(_)0,,()0,,()0,,(22σσ （1）其中，)0,,(y x I 表示视频图像序列中的第一张图像),(y x 位置处的像素值，init std _为一个自己设的常数，如可设20_=init std 。
2）更新参数并检测每读入一张新的图片，判断新图片中对应点像素是否在高斯模型描述的范围中，如是，则判断该点处为背景，否则，判断该点处为前景。
假设前景检测的结果图为output ，其中在t 时刻),(y x 位置处的像素值表示为),,(t y x output ，),,(t y x output 的计算公式如下：⎩⎨⎧-⨯<--=otherwise t y x t y x u t y x I t y x output ,1)1,,()1,,(),,(,0),,(σλ （2）其中，λ是自己设的一个常数，如可设5.2=λ。
试描述基于高斯混合模型背景建模的步骤
试描述基于高斯混合模型背景建模的步骤背景建模是计算机视觉领域中的一个重要问题，它被广泛应用于目标检测、跟踪、视频分析等领域。
背景建模的目的是从输入的视频序列中估计出场景的背景模型，以便于检测出场景中的前景目标。
在背景建模中，高斯混合模型（Gaussian Mixture Model，GMM）是一种常见的背景建模方法。
基于高斯混合模型背景建模的步骤主要包括以下几个方面：1. 数据预处理在进行背景建模之前，需要对输入的视频数据进行预处理。
预处理的主要目的是去除图像中的噪声和不利于背景建模的影响因素，例如光照条件的变化、相机的移动等。
预处理的方法包括平滑滤波、图像增强、运动补偿等。
2. 模型初始化在建立GMM模型之前，需要对模型进行初始化。
初始化的目的是确定每个高斯分量的初始参数，包括均值、方差和权重。
通常情况下，可以使用先验知识或者简单的聚类算法来初始化模型。
3. 建立GMM模型建立GMM模型是背景建模的核心部分。
在该步骤中，需要使用EM算法来估计高斯混合模型的参数。
EM算法是一种迭代算法，它通过交替进行两个步骤来求解问题，即E步骤和M步骤。
在E步骤中，计算每个像素的后验概率，即该像素属于每个高斯分量的概率；在M步骤中，使用最大似然估计法更新高斯分量的参数。
迭代过程会一直进行，直到收敛为止。
4. 背景模型更新背景模型的更新是指随着时间的推移，背景模型需要不断地进行更新以适应场景的变化。
在模型更新的过程中，需要考虑到前景目标的影响，以避免将前景目标误判为背景。
在更新模型时，可以采用加权平均法、自适应学习率法等方法。
5. 前景检测在背景模型建立完成后，可以通过前景检测来识别场景中的前景目标。
前景检测的方法包括阈值法、基于形态学的方法、基于连通性的方法等。
通过前景检测，可以得到场景中的前景目标的位置信息和形状信息。
基于高斯混合模型的背景建模是一种常见的背景建模方法。
它通过建立高斯混合模型来估计场景的背景模型，从而实现前景目标的检测和跟踪。
视频中运动目标检测算法研究及实现
Ｂ＝ａｇｍｉｂ （ ） ｒ ｎ（ ＿ ） Ｔ
则认为前 Ｂ个分布是背景分 布， 其余 为前景分布 。其 中
Ｔ为预 定的阈值 。背景分布 确定之 后 ， 当前输入 的图像与 将 背 景模型相 比较 ，若 当前 像素值Ｘ 和 每个背景 高斯分布满
足：
ＰＸ） （ ｉ Ｘ，Ｉｌ ， （ ｔ＝ （。 ｔＪｌ １ Ｄ川（ Ｉ ， ） ， ｉ
ｉ １ ＝
就认 为当前像素为前景 ， 即运动物 体。这样就将运动 目
标从背景 中检测 出来 。
分布 的权值 ； 和 盯 。 分别表 示第 ｉ 个高斯分布 的均值和方
差： 表示概率密度函数 。
３ ．计算机视觉类库 ０ ｅ Ｃ ｐ ｎ Ｖ简介 开 放 源 代 码 的 计 算 机 视 觉 类 库 ０ ｅＣ （ ｔ ｐ ｎ ｐ ｎ Ｖ Ｉ ｅ Ｏ ｅ ｎｌ Ｓ ｕｃ ｏ ｕｅ ｓ ｎＬｂａ ） ｏｒｅＣ ｍｐ ｔ Ｖｉｏ ｉ ｒ 由英特尔 公司位 于俄罗斯 的 ｒ ｉ ｒｙ 研究 实验 室所 开发 ， 它是～套 可免费获得 的、 由一 些 Ｃ函数 和 ｃ ＋类所组成 的库 ， ＋ 用来实现一些 常用 的图像处理及计算
Ｏ ｅＣ ｐ ｎ Ｖ设计 一些基本数据类型 ， 基本的数据类型包 括 ：
定 。文献［】 到混合高斯模型 ， ２中提 而且有 文献［】４发展为 ３［ 】 目 前常用 的表 现形式 。 本 文给 出了 自适应 高斯模 型建模 ， 由多个高斯 分布组
成 ， 以在包 括运动 目标 的视 频 中 自适应地提 取背 景模型 ， 可 对背景模 型的描述更加准确 。 最终通过 Ｏ ｅ Ｃ 实现 对 目标 ｐｎ Ｖ
混合 高斯模型 的参 数更新后 ， 将组成混合 高斯模型 的 Ｋ
个 高斯分布按 ｔ 由大到小排列 ， 最有 可能描述稳 定背景过 （ｉ Ｉ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
5
结果显示
总结
1.对视频图像的预处理过程进行简要的介绍，主要包括对视 频图像二值化、图像灰度化，以及视频图像的去噪方法，如 均值滤波、中值滤波和高斯滤波，并分别对这三种不同的滤 波方法进行比较，分析各种方法的优缺点，同时提出使用高 斯滤波方法，另外对图像进行腐蚀和膨胀处理，使图像更加 清晰美观。 2.介绍了OpenCV函数库，如何在VC++6.0下实现实验平台 的搭建，同时对混合高斯建模方法的运动目标检测原理进行 了分析，以及混合高斯模型的初始化及背景的模型的更新， 最终实现对运动目标的检测效果。
பைடு நூலகம் 1
图像的预处理
④图像的形态学处理
腐蚀（cvErode）： 图像的腐蚀就是对物体边界点进行消除，使图像的边界向内部收缩， 从而去除小于结构元素的物体。 cvErode( pFrImg,img_erode, NULL,1); 膨胀(cvDilate)： 膨胀就是对二值化物体边界点进行扩充，使得与物体接触的所有背景点 与物体本身进行合并，使图像的边界向外部扩张。 cvDilate( pFrImg,img_dilate, NULL,2) 效果图：
主要研究内容
1.图像的预处理
①图像的灰度处理 ②图像去噪 ③图像的二值化处理 ④图像的形态学处理
2.混合高斯建模方法的流程图 3.OpenCV的介绍和平台搭建 4.混合高斯建模的初始化和更新 5.结果显示
1
图像的预处理
①图像的灰度处理
图像灰度化： 图像灰度化就是对彩色图像中的彩色信息进行处理，将其变为灰度图像， 对其图像的亮度值进行量化，等分成0-255共256个级别，在OpenCV中，是 将cvCvtColor(pBkImg ,pFrImg， CV_BGR2GRAY) 函数实现，参数 CV_BGR2GRAY是RGB到GRAY, cvCvtColor(...)是OpenCV里的颜色空间 转换函数，可以实现RGB颜色向HSV,HSI等颜色空间的转换，也可以转换为 灰度图像。 效果图：
基于混合高斯背景建模方法的运 动目标检测算法研究与实现
指导老师： 张 卫 国 班 级：信计1101班 学 号：1108060122 答辩人：魏 勇
研究背景及意义
主要研究内容
总结
研究背景及意义
背景：
计算机视觉的研究是从二十世纪五十年代开始，起初的主要研究目 的是通过检测图像中的物体并获取这些物体间的关系来进行对图像的理 解。随着计算机视觉理论和算法研究的日益发展，视频图像信号在信息 处理和计算机视觉中扮演着越来越重要的角色。
平台搭建： 首先安装下载得到的OpenCV应用程序，然后在Visual C++6. 0下编译所要的静态和动态链接库文件，包括1ib路径的 设置、include files路径的填写，再进行工程项目的链接设置 就可以了。
4
混合高斯建模的初始化和更新
混合高斯模型进行背景建模时，首先需要初始化预先定义的几个高斯模 型，对高斯模型中的参数进行初始化，并通过视频序列的像素点求出像素 点的均值和方差，并通过求其权重，求出之后将要用到的参数；其次，对 每一帧中的每个像素点与高斯模型进行匹配。最后，通过高斯混合模型的 参数学习机制，求出各个高斯模型的权重与方差的比值，并对他们的优先 级按照从大到小的顺序进行排列，排在前面的作为背景模型，反之，则为 前景。在对其进行实时更新。
1
图像的预处理
③图像的二值化处理
图像的二值化处理是将图像上的点的灰度值置为0或255，而使整幅图 像呈现出较为明显的黑白效果。通过选取适当的阀值，将256个亮度等级的 灰度图像变成能够反映图像整体和局部特征的二值化图像处理的过程。 OpenCV中可以通过cvThreshold函数实现图片的二值化，手动指定一 个阈值，以此阈值来进行图像二值化处理。 cvThreshold(pFrImg,pFrImg,12,255,CV_THRESH_BINARY); 函数 cvThreshold 对单通道数组应用固定阈值操作。该函数的典型应用 是对灰度图像进行阈值操作得到二值图像。 pFrImg:前景的输入图像； pFrImg:前景的输出图像； 12：指的是阈值； 255：指的是max_value；
意义：
混合高斯背景模型以其简便、灵活、高效的特点成为该领域的经典 方法，能够很好消除背景的微小扰动对运动目标检测所产生的影响，通 过使用混合高斯背景的建模方法能够比较准确地检测出复杂环境下的运 动目标，具有较好的鲁棒性和实时性。同时对目标进行动态实时跟踪定 位在智能化交通系统、智能监控系统、军事目标检测及医学导航手术中 手术器械定位等方面具有广泛的应用价值，对未来计算机视觉技术的发 展具有重要的意义。
1
图像的预处理
④图像的形态学处理
形态学处理效果图：
2
混合高斯建模方法的流程图
3
OpenCV的介绍和平台搭建
介绍 ：
OpenCV是一个基于发行的跨平台计算机视觉库，可以运行在 Linux、Windows操作系统上。由一系列 C 函数和少量 C++ 类构成， 同时提供了JAVA、MATLAB等语言的接口，实现了图像处理和计算机 视觉方面的很多通用算法。OpenCV 拥有包括 500 多个C函数的跨平 台的中、高层 APl，它通过函数来实现用于图形处理和计算机视觉方 面的通用算法。
1
图像的预处理
②图像去噪
图像去噪它是将输入的图像进行滤波去除噪声，增强图像效果。最常用的 有中值滤波、均值滤波和高斯滤波三种。 中值滤波： 它是将数字图像或数字序列中一个像素点的值用该点的一个邻域中各点值 的中值代替，使周围像素灰度值差别比较大的像素改取为与周围的像素值比较 接近的值，这样能使周围的值更接近真实值，它能消除孤立的噪声点，并去除 高频噪声，抑制脉冲干扰，保持图像清晰的轮廓。 均值滤波： 用邻域的均值替代原图像中的各个像素值，通过对处理的当前像素点(X,Y) 选择一个模板窗口，再把所求的均值赋给当前的像素点，作为处理后图像在该 点上的灰度值。 高斯滤波： 它通过用一个模板（或称卷积、掩模）对图像中的每一个像素进行扫描， 在用模板确定的邻域内像素，对其进行加权平均得到灰度值，在用得到的灰度 值去替代模板中心像素点的值，从而达到图像的平滑效果。
谢谢各位老师！