OpenCV 中高斯背景建模相关论文
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
创新点 :用EM初始化每个高斯模型的参数。
BackgroundSubtractorMOG2:
Paper : Improved adaptive Gausian mixture model for background subtraction
Website :http://www.zoranz.net/Publications/zivkovic2004ICPR.pdf
创新点: 把混合高斯模型数量K变成自适应的了,而不像以前是一个固定值(一般3-5个)
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: 可被看作为一个逐次逼近算法:事先并不知道模型的 参数 ,可以随机的选择一套参数或者事先粗略地给定某个初始参数λ0 ,确定出对应于这组参数的最可能的状态, 计算 每个训练样本的可能结果的 概率 ,在当前的状态下再由样本对参数修正,重新估计参数λ ,并在新的参数下重新确定模型的状态,这样,通过多次的迭代,循环直至某个收敛条件满足为止,就可以使得模型的参数逐渐逼近真实参数。
形象比喻:食堂的大师傅炒了一份菜,要等分成两份给两个人吃,显然没有必要拿来天平一点一点的精确的去称分量,最简单的办法是先随意的把菜分到两个碗中,然后观察是否一样多,把比较多的那一份取出一点放到另一个碗中,这个过程一直迭代地执行下去,直到大家看不出两个碗所容纳的菜有什么分量上的不同为止。
背景建模方法: 基于color特征,基于纹理
背景建模的挑战:
1) 渐进的光线变化;
2) 光线的突然变化
3) 动态的背景
4) 前景与背景很相似
5) 前景的阴影
6) 初始化数据并不是纯背景
7) 视频噪声
相关网址:
单高斯背景建模:
单高斯背景建模认为,对于一个背景图像,其中每个像素的亮度分布满足高斯分布,这样我们就可以对背景中的每个像素建模,模型参数包括:均值和方差。
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,背景中的每个像素也会发生缓慢的变化,这就需要我们不断的更新每个像素的背景模型参数:u(t+1,x,y) = a*u(t,x,y) + (1-a)*I(x,y),其中a表示学习率,a越大,表示背景变化越缓慢。
混合高斯背景建模:
由于一般视频是多模态的,背景的像素值会在多个像素值处波动,因此采用多个高斯模型来表示背景像素比较鲁棒。每个高斯模型都有权重。
每当新的像素输入到高斯模型,都要对模型中的参数进行更新。
欢迎加入我爱机器学习QQ14群:336582044
微信扫一扫,关注我爱机器学习公众号