应用改进混合高斯模型的运动目标检测
高斯混合模型gmm 3sigma准则
高斯混合模型（Gaussian Mixture Model，GMM）是一种概率模型，常用于聚类分析和密度估计。
GMM在模式识别和机器学习领域有着广泛的应用，其中3sigma准则是一种常用的判别方法，用于确定数据点是否属于某一特定的类别或组。
1、GMM的基本原理GMM是一种灵活的聚类算法，它假设数据是由若干个高斯分布组成的混合体。
具体来说，GMM假设数据点是由多个高斯分布生成的，每个高斯分布对应一个聚类中心。
GMM的目标是通过调整高斯分布的参数来最大化数据的似然函数，从而完成聚类分析或密度估计的任务。
2、GMM的参数估计GMM的参数估计通常使用期望最大化（Expectation-Maximization，EM）算法来实现。
EM算法是一种迭代的优化方法，它通过反复地执行两个步骤来估计GMM的参数：E步骤（Expectation step）和M步骤（Maximization step）。
在E步骤中，计算每个数据点属于每个高斯分布的后验概率；在M步骤中，基于E步骤的结果，更新高斯分布的参数。
3、GMM的应用GMM可以用于聚类分析、异常检测和密度估计等任务。
在聚类分析中，GMM可以有效地识别数据中的不同聚类中心，并将数据点分配到各个聚类中心；在异常检测中，GMM可以通过计算数据点的概率密度来判断数据点是否异常；在密度估计中，GMM可以用于估计数据的概率密度函数。
4、3sigma准则3sigma准则是一种常用的判别方法，用于确定数据点是否属于某一特定的类别或组。
具体来说，3sigma准则假设数据符合正态分布，并利用正态分布的性质来判断数据的异常情况。
根据3sigma准则，大约68的数据位于平均值加减一个标准差的范围内，大约95的数据位于平均值加减两个标准差的范围内，大约99.7的数据位于平均值加减三个标准差的范围内。
如果某个数据点的取值超出了平均值加减三个标准差的范围，就可以认为这个数据点是异常的。
5、GMM与3sigma准则的结合在实际应用中，GMM和3sigma准则常常会结合使用。
基于改进的单高斯模型的运动目标检测方法
技 术是 智能 视频监 控技 术 中的核 心部 分 ， 用 的运动 目 常
控 系 统 得 到 了 日益 广 泛 的研 究 与 应 用 ， 能 视 频 监 控 技 智
术 也 得 到 了 越 来 越 多 科 研 工 作 者 的 关 注 。 动 目 标 检 测 运
建 模 方 法 有 单 高 斯 模 型 法 ［和 混 合 高 斯 模 型 法 『。 与 混 ３ １ ４ １ 合 高 斯 模 型 法 相 比 ， 高 斯 模 型 法 的 时 间 效 率 更 高 。 在 单
ｍ ａ ｅ Ｐｒ ｅｓ ｎ ｄ ｇ ｏｃ ｓｉｇ ａｎ Ｍ ｕｔ ｅ ｉ ｃ ｎ ｏｇ ｌｍ ｄａ Ｔｅ ｈ ｏｌ ｙ ｉ
基于 改进 的单高斯模型 的运动 目标 检测方法
陈 超 ，杨 克 俭
（ 汉 理 工 大 学 计 算 机 科 学 与 技 术 学 院 ，湖 北 武 汉 ４ ０ ６ ） 武 ３０ ３
Ｍｏｉｇｏｊｃ ｄ ｔ ｔ ｎ ｂ ｓｄ ｏ ｍｐｏｅ ｉｇｅＧ ｕ ｓ ｎ ｍｏ ｅ ｖｎ ｂｅｔ ｅｅ ｉ ａｅ ｎ ｉ ｒｖｄ ｓ ｌ ａ ｓｉ ｄ ｌ ｃｏ ｎ ａ
ｃＨＥＮ Ｃ ａ ，ＹＡＮＧ Ｋｅ Ｊａ ｈｏ ｉｎ
ｆ ｏ ｅｅ ｏ ｏ ｐ ｔ ｃ ｎ ｅ＆ Ｔ ｃ ｎ ｌ ｙ，Ｗｕ ａ ｎｖ ｒ ｔ ｏ ｅ ｈ ｏｏｙ Ｃ ｌ ｇ ｆＣ ｍ ｕ ｒ Ｓ ｉ ｃ ｌ ｅ ｅ ｅ ｈ ｏｏ ｇ ｈ ｎ Ｕ ｉ ｓ ｙ ｆＴ ｃ ｎ ｌ ，Ｗｕ ａ ３ ０ ３ ｈｎ ） ｅ ｉ ｇ ｈ ｎ ４ ０ ６ ，Ｃ ｉａ
ｉ ｅｒｔ ｈｏ ａ ａｅｒｎ ｅ ｗｔ ｆｓ ｇａ ｉ ｔｉ ｏｍ ｔ ｎ ｗ ｓａ ｏｔｄ ｔ ｇｔｍ ｒ ｒｃ ｅ ｓａ ｅ ｏ ｖ ｇｏｊｃ．Ｅ ｐ ｒ ｅ ｔ ｉ ｎ ｇａ ｓｃ ｒｍ ｂｒ ｃ ｉ ｒｔ ｒｄｅ ｎ ｒ ａｉ ａ ｄ ｐｅ ｏ ｅ ｏｅ ｐｅｉ ｈｐ ｆｍｏｉ ｂｅｔ ｘ ｅ ｍ ｎｓ ｎ ｔ ｅ ａ ｈｉ ｎ ｆ ｏ ｓ ｎ ｉ — ｌ ｔ ｈｔ ｈ ｅ ｄ Ｂ ｓｄ ｏ ｍ ｒ ｄ Ｓｎｌ ａ ｓｉ ｄ ｌ ａ ｅ ｃ ｏｉｇ Ｏ ｊｃ ｅ ｎ ｎ ｏｒｏ ｔ ｌ ｏ ｔｏｒｅｖ ｏ — ｆ ｃ ｔａ ｔｅ ｍ ｔｏ ａｅ ｎ Ｉ ｐｏｅ ｉｇｅ Ｇ ｕｓ ｎ Ｍｏ ｅ ｃｎ ｄ ｔ ｔＭ ｖｎ ｂｅｔｗ ｌ ｉ ｉｄｏ ｒｓ ｂ ｕｄ ｏ ｎ ｉ ｎ ｅ ｈ ａ ｅ ｌ ａｅ ｒ
基于Sigma-Delta改进算法的运动目标检测
电 光 与 控 制
Ｅｌｅｃｔｒｏｎｉｃｓ Ｏｐｔｉｃｓ＆ Ｃｏｎｔｒｏｌ
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７１—６３７Ｘ．２０１６．０１．０２２
Ｖｏｌ＿２３ Ｎｏ．１ Ｊａｎ．２０１６
基 于 Ｓｉｇｍａ·Ｄｅｌｔａ改进 算 法 的 运 动 目标 检 测
邢运 龙 ， 李爱 华 ， 方 浩
（第 二炮 兵工程大学 ，西安 ７１００２５）
摘 要 ：Ｓｉｇｍａ—Ｄｅｌｔａ背景估计是一种有 效的运动 目标检测算法 ，能够用较 小的计算量达到较好的检测效果 ，但是 该算 法未进行模 型初 始化 ，无法清除初 始背景模型 中的 目标 图像 。针 对此 问题 ，采 用均值 法进 行背景模 型初始化 ，清 除 目 标 图像 ，得到“干净”的 背景模型 。为提 高适应能力 ，利 用视 觉背景提取 ＶｉＢｅ随机 更新的策略进 行 背景 更新。在前景 检测方 面，提 出基 于 ＲＧＢ颜 色空间的 Ｓｉｇｍａ—Ｄｅｈａ算 法，并通过阈值化处理减 少噪 点、提 高检测质 量。 实验 结果 表明 ， 改进算 法能够得 到“干净”的背景模型 ，适应环境能力强 ，检 测 图像 噪点 少、检测质 量较 高。 关键词 ：视 觉背景提 取算法 ；运动 目标检测 ；Ｓｉｇｍａ－Ｄｅｌｔａ背景估计 ；ＲＧＢ颜 色空间 中图分 类号 ：ＴＰ３９１ 文献标志码 ：Ａ 文章编号 ：１６７１—６３７Ｘ（２０１６）０１—００９７—０５
Ａｂｓｔｒａｃｔ：Ｓｉｇｍａ－Ｄｅｌｔａ ｂａｃｋｇｒｏｕｎｄ ｅｓｔｉｍａｔｅ ｉｓ ａｎ ｅｆｆｅｃｔｉｖｅ ｍｏｖｉｎｇ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ，ｗｈｉｃｈ ｉｓ ａｂｌｅ
ｔｏ ａｃｈｉｅｖｅ ａ ｇｏｏｄ ｄｅｔｅｃｔｉｏｎ ｅｆｆｅｃｔ ｗｉｔｈ ａ ｓｍ ａｌｌｅｒ ａｍｏｕｎｔ ｏｆ ｃａｌｃｕｌａｔｉｏｎ．Ｈｏｗｅｖｅｒ，ｔｈｅ ａｌｇｏｒｉｔｈｍ ｃａｎ’ｔ ｃｌｅａｒ ｔｈｅ ｔａｒｇｅｔ ｉｍ ａｇｅ ｉｎ ｔｈｅ ｉｎｉｔｉａｌ ｂａｃｋｇｒｏｕｎｄ ｍ ｏｄｅｌ ｆｏｒ ｔｈｅ ｒｅａｓｏｎ ｔｈａｔ ｔｈｅｒｅ ｉｓ ｎｏ ｂａｃｋｇｒｏｕｎｄ ｍｏｄｅｌ ｉｎｉｔｉａｌ ｉｚａｔｉｏｎ． Ｔｏ ｓｏ］ｖｅ ｔｈｉｓ ｐｒｏｂｌｅｍ，ｉｔ ｉｓ ｐｒｏｐｏｓｅｄ ｔｏ ｉｎｉｔｉａｌｉｚｅ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｍｅｔｈｏｄ ｏｆ ｍｅａｎ ｖａ ｌｕｅ， ｗｈｉｃｈ ｃａｎ ｃｌｅａｒ ｔｈｅ ｔａｒｇｅｔ ｉｍ ａｇｅ ａｎｄ ｇｅｔ ａ ｃｌｅａｎ ｂａｃｋｇｒｏｕｎｄ ｍｏｄｅ１．Ｉｎ ｏｒｄｅｒ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ａｄａｐｔａｂｉｌｉｔｙ，ｔｈｅ ａｌｇｏｒｉｔｈｍ ａｄｏｐｔｓ ａ ｗａｙ ｔｏ ｕｐｄａｔｅ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｔｈｅ ｉｄｅａ ｏｆ ｒａｎｄｏｍ ｕｐｄａｔｅ ｏｆ Ｖｉｓｕａｌ
一种改进的高斯混合背景模型算法及仿真
能。文中对传统的高斯混合背景模 型进行 了改进 ， 针 ， 在背景 更新 中引入一个“ 前景支撑映射 ” Ｆｒｇｏ ｎ ｕ ｐ￣Ｍａ ，Ｆ Ｂ 较好地解决 了背景模型的提取 、 （ ｏｅｒｕｄＳ ｐｏ ｐ Ｓ ）， 更新 、 背景扰 动 、 界光照 外 变化 等问题 。实验结果证 明 ， 实验结果验证 了该方法 的有效性和在复杂背景变化下 的鲁棒性 。 关键词 ： 背景模型 ； 混合高斯模型 ； 背景更新 ； 目标检测
ＫＥ Ｗ ＯＲ Ｓ：ａｋｒｕｄｍ ｄｌＭ ｘ ｒ ｆ ａｓｉ ｓ Ｂ ｃｇｏｎ ｐ ａ ； ｂｅｔ ｅｅｔ ｎ Ｙ Ｄ Ｂ ｃｇｏｎ ｏｅ； ｉ ｕｅｏ ｕｓ ｎ ； ａｋ ｕ ｄｕ ｄｔ Ｏ ｊｃ ｄｔ ｉ ｔ ｇ ａ ｒ ｅ ｃｏ
１ 引 言
在智能视 觉监 控系统中 ， 常采用减背 景方法分割 出感兴 趣的运动 目标 。基于减 背景 的运动 目标 检测 方法 … “ 基 本思想是将当前帧图像 与事先 存储 或者实 时得 到的背 景 图 像相减 ， 若像素差值 大于某 一 阈值 ， 判此像 素属 于运 动 目 则 标上的一 个像 素 ， 阈值操作后得到的结果 直接给 出了 目标 的 位置 、 大小 、 形状等信息 。但通 常的减背景方法对光线 、 天气
ＣＨＥＮ ｅ Ｚｈ ｎ—ｈ ａ ， ， ｕ ＺＨＯＵ ｉ ｕ ， ａ ｇ—Ｗｅ ， Ｒｕ —ｒ ｉ ＬＩＧｕ ｎ ｌ ＢＩＤｕ—ｙ ｎ 。 ａ
（ ．Ｄｅ ａｔ ｎ ｆ ｉｎｃ ｎ ｉｅ ｒ ｇ ｎ ｔｕｅｏ ｇｎ ｅｉｇ，ＡＦ １ ｐｒ ｍｅ ｔｏ ｏ ｉｓＥ ｇｎ ｅ ｎ ，Ｉｓｉ ｔ ｆ Ａｖ ｉ ｔ Ｅｎ ｉｅｒｎ ＥＵ，Ｘｉｎ Ｓ ａ ｘ ７ ０ ３ Ｃｈｎ ｈ ｈ ｎ ｉ １ ０ ８， ｉａ；
ｇ ｏ ｎ ． Ｔｈ ｅ ｆｒ ａ ｅ ｏ ｒ ｕ ｄｓ ｅ ｐ ｒｏ ｍ ｎｃ ｆＧＭ Ｍ ａ ｅ ｇ ｅ ｔｙ ｉ ｃ ｎ ｂ ｒ ａｌ ｍｐｒｖ ｄ ｂ ａ ｋ ｉ ｅ ｅ ａ ｒ ｃ ｉａ ｓｕｅ ．Ｔｈｉ ａ ｅ ｖ ｌｐｓ ｏ ｅ ｙ ｔｃ ｌｎｇ ｓ ｖ ｒｌｐ ａ ｔｃ ｌｉｓ ｓ ｓ ｐ ｐ ｒｄｅ ｅｏ ａ ｍｏ ｆｃ ｔ ｅ ａ ｇ ｒｔｍ ｓｎ ｕ ｓａ ｉｔｒ ｏ ａ ｉｉｙ ｄｅ ｓｔ Ａ ｉｅ ｏ ｏ ｐａ ｅ ｉ ｓ ｄ ｔ ｔｃ ｎ ｕ ｄｉ ａｉ ｌｏ ｈ ｕ ｉｇ Ｇａ ｓ ｉｎ ｍ ｘｕ ｅ ｐｒ ｂ ｂｌｔ ｎ ｉｙ． ｉ ｖ ｉ ｍ ｘ ｄ ｃ ｌ ｒｓ ｃ ｓ ｕ ｅ ｏ ｄｅｅ ｔａ ｄ ｓ ｐ－ ｐ ｅ ｓｍｏ ｉ ａ ｔｓ ａ ｏ ｒ ｓ ｖｎｇｃ ｓ ｈ ｄ ｗ． Ａ ｅ ｆｃ ｕ ｅ ａ ｌｄ ｔ ｅ “Ｆｏ ｅ ｒ ｕｎ ｕｐ ｒ ａ ｓ ｔｏ ｏ ｎｔｒｃ ｌｅ ｈ ｒ ｇｏ ｄ Ｓ ｐｏｔＭ ｐ” ｉ ｘ ｌ ｉｅ ． Ｔｈ ｄｉ ｃ ｔｖ ｇ — ｓｅ ｐ ｏｔ ｄ ｅ ｍｏ ｆ ａｉｅ ａ ｏ ｉ ｌ
高斯模型介绍[整理]
![高斯模型介绍[整理]](https://img.taocdn.com/s3/m/1812cb3e657d27284b73f242336c1eb91a3733e1.png)
高斯模型介绍高斯模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。
对图像背景建立高斯模型的原理及过程：图像灰度直方图反映的是图像中某个灰度值出现的频次，也可以以为是图像灰度概率密度的估计。
如果图像所包含的目标区域和背景区域相差比较大，且背景区域和目标区域在灰度上有一定的差异，那么该图像的灰度直方图呈现双峰-谷形状，其中一个峰对应于目标，另一个峰对应于背景的中心灰度。
对于复杂的图像，尤其是医学图像，一般是多峰的。
通过将直方图的多峰特性看作是多个高斯分布的叠加，可以解决图像的分割问题。
在智能监控系统中，对于运动目标的检测是中心内容，而在运动目标检测提取中，背景目标对于目标的识别和跟踪至关重要。
而建模正是背景目标提取的一个重要环节。
我们首先要提起背景和前景的概念，前景是指在假设背景为静止的情况下，任何有意义的运动物体即为前景。
建模的基本思想是从当前帧中提取前景，其目的是使背景更接近当前视频帧的背景。
即利用当前帧和视频序列中的当前背景帧进行加权平均来更新背景,但是由于光照突变以及其他外界环境的影响，一般的建模后的背景并非十分干净清晰，而高斯混合模型(GMM)是建模最为成功的方法之一。
英文翻译及缩写：Gaussian mixture model (GMM) 混合高斯模型使用K （基本为3到5个）个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点, 否则为前景点。
通观整个高斯模型，他主要是有方差和均值两个参数决定，,对均值和方差的学习,采取不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性。
由于我们是对运动目标的背景提取建模，因此需要对高斯模型中方差和均值两个参数实时更新。
为提高模型的学习能力,改进方法对均值和方差的更新采用不同的学习率;为提高在繁忙的场景下,大而慢的运动目标的检测效果,引入权值均值的概念,建立背景图像并实时更新,然后结合权值、权值均值和背景图像对像素点进行前景和背景的分类。
运动目标检测和跟踪的研究及应用
在人所感知到的环境信息中,视觉信息占了非常大的比重,其中动态视觉信息更是其主要组成部分.感知环境中的这些动态视觉信息已成为计算机视觉的一个重要的研究方向.运动目标检测与跟踪是应用视觉和运动图像编码研究领域的一个重要课题,在许多领域有着广泛的应用. 本文主要研究了基于DSP的运动目标检测与跟踪问题,包括硬件平台的构建和运动检测跟踪算法软件设计与实现. 在运动目标检测部分,介绍了现有的几种常用的检测算法,针对传统帧差算法,检测出的运动目标不够完整的缺点,进行了改进;针对传统的背景重建算法运算量大,耗时的缺点,提出基于块的背景重建,均通过实验验证了方法的有效性. 在运动目标跟踪部分,首先介绍了Kalman滤波的基本原理,在此基础上提出了基于Kalman滤波的跟踪算法;然后详细分析了本文目标跟踪系统所采用的波门算法,为后面系统的实现打下了理论基础. 详细介绍了基于DAM6416P图像处理平台的跟踪系统的实现, 整个系统工作过程为DSP先对采集到的图像进行预处理,然后采用帧差法检测运动目标,接着采用基于双波门算法根据目标的质心位置来判断是否移动云台以及云台移动方向,从而实现对运动目标的实时跟踪. 从实验数据与结果看,本文研究的跟踪系统在一定条件下能够准确、及时地检测跟踪目标,达到了预期效果.
2.学位论文何西华视频运动目标检测与跟踪算法研究2008
视频环境的运动目标检测与跟踪是当前计算机视觉研究中一个非常活跃的领域。计算机视觉研究的目标是使计算机具有通过一幅或多幅图像认知周围环境信息的能力。运动图像序列中包含了比静态图像更多的有用信息。运动对象的检测与提取,是将视频图像序列划分成若干的运动对象,并在时间轴上对这些运动对象进行跟踪,为以后的研究工作奠定基础,如基于对象的编码技术以及基于内容的视频检索等。目标跟踪则是随着数字视频技术的发展及应用而产生的一个新的研究课题,其在军事以及民用等诸多领域中有着广泛的应用。 本文主要研究了基于视频序列运动目标检测与跟踪的基本理论和关键技术。重点研究背景模型下运动目标的检测和提取,运动目标阴影的处理,以及运动目标跟踪等方面的内容。 论文首先对的相关背景知识作了介绍。其中包括目标检测与跟踪系统中采用的运动约束假设和外部环境约束假设;目标检测技术采用的主要算法,包括静态图像中的目标检测和运动目标检测;目标跟踪基础知识,包括跟踪的基本概念,目标的常用的四种表示方法等。 在运动目标检测研究方面,首先介绍了当前主要目标检测和提取算法的原理,通过试验对帧间差分法和自适应背景相减法进行分析。在此基础上提出将背景减除与帧间差分方法结合的目标检测算法。实验表明,该方法能够在较大程度上满足系统的要求,提高检测结果精度。针对阴影对目标检测造成的不利影响,最后本论文还总结了目标抑制阴影的几种算法。 在运动目标跟踪研究方面,首先归纳了在目标跟踪中常被采用的视觉特征、统计特征、变换系数特征和代数特征;分析了目标的三种线性运动模型;阐述了目标特征搜索匹配的主要算法,并重点研究了基于目标颜色直方图特征的均值偏移目标跟踪算法(Mean-ShiftAlgorithm),在此基础上提出了一种联合目标位置预测的改进的跟踪算法,通过对均值偏移算法和改进的跟踪算法通过的分析和实验比较,表明本论文的改进跟踪算法较均值偏移跟踪算法由于利用了目标的空间位置信息,提高了目标跟踪的可靠性和有效性。
改进的混合高斯模型的运动对象分割算法
改进 的 混合 高斯 模 型 的运 动 对 象 分 割算 法
张 宗彬
（ 尔滨 工程 大学 信 息与通信 工程 学院 ， 哈 黑龙江 哈 尔滨 １００ ） ５０ １ 摘 要： 针对视频序列 中运动对象分割 问题 ， 提出一种改进 的混合 高斯模 型分割算 法． 该算 法首 先 由混合 高斯
模 型 得 到 前 景 ， 后 用 当前 帧 的前 景 区域 与上 一 帧 对 应 位 置做 差 ， 分 出 实 际 变 化 区 域 及 误 检 区 域 并 为 误 检 区 之 区 域 赋 予 较 大 的 更 新 速 率 ， 而 有 效 地 改 善 了长 时 间 静 止 物 体 转 为 运 动 后 留下 的 “ 影 ” 光 线 突 变 导 致 的大 面 从 鬼 及 积 误 检 情 况 ． 用 阴影 抑 制 和形 态 学 滤 波 使 得 前 景 目标 分 割 的性 能得 到 有 效 的 提 高 ． 验 表 明 ， 算 法 能 够 迅 采 实 本 速 响 应 实 际 场 景 的 变 化 ， 确 分 割 出运 动 对 象 ． 准
ａｄｓｄ ｅ ｌ ｍｉａ ｏ ｈ ｎ ｅｐｏ ｌ ｕ ｕ ｄ ｎｍｏｉｇｏ ａｍｏ ｏｌｓ ｏｊｃ．Ｔ ｅ ｅ ｏｍ ｎ ｅｃｎｂ ｆ ｎ ｕ ｄ ｎｉｕ ｎ ｔ ｎｃ ａｇ ｒｂｅ ｄ ｅｔ ｓｄ ｅ ｖｎ ｆ ｔ ｎｅｓ ｂｅｔ ｈ ｒ ｒ ａ ｃ ａ ｅｅ ｌ ｉ ｍｓ ｏ ｉ ｐ ｆ －
第 ３ 第 ５期 ７卷 ２１ ００年 ５月
GMM和EM算法
帧序列的同一像素
I(x,y,1)
I(x,y,2)
I(x,y,3)
I(x,பைடு நூலகம்,t)
满足混合高斯模型
6/33
基于混合高斯的运动目标检测
是否存在一个更好的模型？ 在标准测试集I2R上设计实验，分析动态像素分布规律
场景分布具有代表 性
动态特性具有代表性 包含室内室外两种环境，涵盖校园、餐厅、 商场、机场、喷泉、湖面、教室、办公大厅 等，每个场景都具有代表性； 既有背景变动强烈的场景如电梯、校园、喷 泉和湖面，又有背景变动较为温和的场景如 机场、商店等，场景的动态性分布比较全面 包含光照剧烈变化的场景和多个光照对比明 显的场景，对光照条件的考察比较到位
由贝叶斯公式
后验概率
31
国家精品课程网上资源的可用性研究/***
求解混合高斯模型
公式继续推：
最终目标函数：
32
国家精品课程网上资源的可用性研究/***
求解混合高斯模型
33
国家精品课程网上资源的可用性研究/***
求解混合高斯模型
EM求解GMM流程
EXPECTATION! MAXMIZATION!
求解混合高斯模型
简化问题的参数表达式：
其中：
29
国家精品课程网上资源的可用性研究/***
求解混合高斯模型
问题并未结束！znk在实际情况中往往是不知道的！ 问题的解决：利用znk的期望E[znk] 去估计znk！
30
国家精品课程网上资源的可用性研究/***
求解混合高斯模型
求期望 公式推推推
I ( x , y , l , f ) k ( x, y , l , f
高斯混合背景模型参数时空领域更新方法-revised by zhou
一基金项目：国家自然科学基金资助：60975015；重庆市科技攻关项目资助：CSTC2009AB2230 作者简介：赵红(1986-) 男，重庆人，研究生，研究方向：图像处理，计算机视觉，软件工程等。张小洪(1973-)， 男，四川人，副教授，主要研究方向：数字图像处理、模式识别、人工智能、科学与工程计算、软件工程 及应用等。
图 2 像素点在空间和时间邻域系统中的联系 Fig2 The relation between pixels in the spatial and temporal neighborhoodthe relationPixel neighborhood in
space and time, the link system system
u = I (x, y, t) = {(1−ρ )ut−1+ρ Xt if ( Mi,t =1)
t
ut−1 else
σ = { 2
(1−
ρ
)σ
2 t −1
+
ρ
(
X
t
−ut
)Τ
(
X
t
−ut
)
if ( M i,t =1)
t
σ
2 t −1
else
（6） （7）
ρ = αη (xt | uk ,σ k )
（8）
对于前后两帧检测出来的运动物体，由于忽视了空间像素之间的联系，常常会有很多孤 立的噪声点被当成了运动前景，或者说部分前景点被当成了背景，为了修正这样的错误，防 止其错误的累积，本文采用空间的像素信息进行修正。在高斯混合建模过程中，若某一像素 点和任何一个分布均不匹配，那么本文就把它当成一个前景点，而匹配的就称为背景点，并
户外环境下抗遮挡的运动目标跟踪方法
户外环境下抗遮挡的运动目标跟踪方法冯柯;陈临强【期刊名称】《计算机工程与应用》【年(卷),期】2011(047)011【摘要】针对户外环境光线和气候条件多变以及目标间相互遮挡对目标检测和跟踪的影响,提出了一种基于改进的高斯混合模型方法采检测运动目标,并消除噪声和阴影;同时采用基于Kalman滤波器的预测模型和最大后验概率目标匹配相结合的方法来实现目标的连续跟踪.实验表明,该方法能实现目标的稳定跟踪,且能够处理目标相互遮挡的情况,计算复杂度较低,基本满足实时应用的需求.%In order to overcome the adverse effect,which caused by the inconstant light and climate and occlusion between objects,on object detecting and tracking,a method based on the improved mixture Gaussian model is proposed to detect the moving object, then shadow and noise is removed. While using the method of predict model based on Kalman filter combines with maximum posterior probability for object matching it realizes the moving objects tracking. The experimental resuits indicate that the method can construct a robust real-time object tracking system which can easily handle the occlusion.【总页数】4页(P187-189,200)【作者】冯柯;陈临强【作者单位】杭州电子科技大学图形图像研究所,杭州,310018;杭州电子科技大学图形图像研究所,杭州,310018【正文语种】中文【中图分类】TP391【相关文献】1.遮挡情况下的运动目标跟踪方法研究 [J], 刘亭;杨丰瑞;刘雄风2.抗遮挡的自适应运动目标跟踪方法 [J], 路红;李宏胜;费树岷;郭婧;李文成3.复杂背景下抗遮挡的运动目标跟踪算法 [J], 刘扬;张云峰;董月芳4.基于深度特征与抗遮挡策略的运动目标跟踪 [J], 火元莲;李明;曹鹏飞;石明5.增强现实中视觉图像抗遮挡运动目标跟踪算法研究 [J], 付辉;邵开丽;代文征因版权原因，仅展示原文概要，查看原文内容请购买。