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