基於混合高斯模型的運動目標檢測演算法

 

    運動目標檢測是計算機視覺領域中的一個重要內容，其檢測效果將會對目標跟蹤與識別造成一定的影響。

1 混合高斯背景模型

    在混合高斯模型中，對影象中每一個畫素點建立K個高斯模型，對於t 時刻畫素點X的概率密度函式如下所示。

 2 背景的選取

    首先，按權值和標準差的比值將每個畫素點的K個高斯分佈由大到小進行排序，則描述背景可能性越大的分佈越靠前，描述背景可能性越小的分佈越靠後。因此，選擇前B個分佈作為背景畫素模型，如公式（3）所示。式中，H通常取最佳經驗閾值0.75。

 3 引數的更新及前景目標的提取

    對獲取的當前幀的各個畫素值分別與已經存在K個高斯分佈進行匹配，如果滿足（4）式，則該畫素值與高斯分佈匹配成功，則對於第一個相匹配的高斯分佈的引數進行更新，如下公式(5)、(6)、(7)和(8)，對於不匹配的K-1個高斯分佈的權值衰減處理，如公式（9）所示。如果不滿足（4）式，則匹配不成功。

    其中，為學習率，是決定著背景更新速度的重要引數，越小，則更新的速度越慢，反之，則越快。

    為權值更新率。如果獲取的當前幀的畫素點與K個高斯分佈都匹配不成功，則用一個新的高斯分佈代替權值最小的高斯分佈，新的高斯分佈以當前的畫素值為均值，並且初始化一個較大的方差和一個較低的權值。 當前幀的畫素值與B個高斯模型都不匹配，則判定該畫素點為前景點，否則為背景點。