1、高斯混合模型高斯混合模型(GaussianMixtureModel,GMM)(2011-12-30 23:50:01) 标签: 校园分类: 工作篇 高斯混合模型 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比比较大,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
2、。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(
3、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
4、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。具体更新公式如下:t= (1 - )t- 1 +xt (1)2t = (1 - )2t- 1 +( xt -t ) T ( xt -t ) (2) =( xt | , ) (3)| xt -t - 1 | 2. 5t- 1 (4)w k , t = (1 - ) w k , t - 1 +Mk , t (5)式中为学习率,即反映当前图像融入背景的速率。建模过程中,我们 需要对混合高斯模型中的方差、均值、权值等一些参数初始化,并通过这些参数求出
5、建模所需的数据,如马兹距离。在初始化过程中,一般我们将方差设置的尽量大 些(如15),而权值则尽量小些(如0.001)。这样设置是由于初始化的高斯模型是一个并不准确,可能的模型,我们需要不停的缩小他的范围,更新他的参 数值,从而得到最可能的高斯模型,将方差设置大些,就是为了将尽可能多的像素包含到一个模型里面,从而获得最有可能的模型。部分代码如下:for(i=0; iK_MODELS; i+) /K_MODELS为预先定义的模型数 / calculate the vector, v = (X - u) for(j=0; jmeanj; / calculate the squared distan
6、ce, d = |v|2 modeli-dist2 = v0*v0 + v1*v1 + v2*v2; / zot: this is only equal to mahalanobis distance / when covariance matrix = vI / (v = scalar variance for all channels) modeli-mah2 = modeli-dist2 / modeli-var; /即为马兹距离 / see if X is close enough to this model if (modeli-mah2 Library Miscellaneous WikipediaIn statistics, an expectationmaximization (EM) algorithm is an iterative method for finding maximum likelihood or maximum a post
copyright@ 2008-2023 冰点文库 网站版权所有
经营许可证编号:鄂ICP备19020893号-2