运动目标检测_混合高斯背景建模
1.混合高斯背景建模理论
混合高斯背景建模是基于像素样本统计信息的背景表示方法,利用像素在较长时间内大量样本值的概率密度等统计信息(如模式数量、每个模式的均值和标准差)表示背景,然后使用统计差分(如3σ原则)进行目标像素判断,可以对复杂动态背景进行建模,计算量较大。
在混合高斯背景模型中,认为像素之间的颜色信息互不相关,对各像素点的处理都是相互独立的。对于视频图像中的每一个像素点,其值在序列图像中的变化可看作是不断产生像素值的随机过程,即用高斯分布来描述每个像素点的颜色呈现规律{单模态(单峰),多模态(多峰)}。
对于多峰高斯分布模型,图像的每一个像素点按不同权值的多个高斯分布的叠加来建模,每种高斯分布对应一个可能产生像素点所呈现颜色的状态,各个高斯分布的权值和分布参数随时间更新。当处理彩色图像时,假定图像像素点R、G、B三色通道相互独立并具有相同的方差。对于随机变量X的观测数据集{x1,x2,…,xN},xt=(rt,gt,bt)为t时刻像素的样本,则单个采样点xt其服从的混合高斯分布概率密度函数:
其中k为分布模式总数,η(xt,μi,t,τi,t)为t时刻第i个高斯分布,μi,t为其均值,τi,t为其协方差矩阵,δi,t为方差,I为三维单位矩阵,ωi,t为t时刻第i个高斯分布的权重。
2.混合高斯背景建模算法流程
1.每个新像素值Xt同当前K个模型按下式进行比较,直接找到匹配新像素值的分布模型,即同该模型的均值偏差在2.5σ内:2.如果所匹配的模式符合背景要求,则该像素属于背景,否则属于前景。3.各个模式权值按如下方式进行更新,其中a是学习速率,对于匹配的模式Mk,t=1,否则Mk,t=0,然后各模式的权重进行归一化:4.未匹配模式的均值μ和标准差σ不变,匹配模式的参数按照如下更新:
5.如果,第一步中没有任何模式匹配,则权重最小的模式被替换,即该模式的均值为当前像素值,标准差为初始较大值,权重为较小值。6.各模式根据w/a^2按降序排列,权重大、标准差小的模式排列在前。7.选前B个模式作为背景,B满足下式,参数T表示背景所占的比例:
3.MATLAB仿真与实践
%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %Author: Ziheng H. Shen @Tsinghua Univ. %HybridGaussModel @Digital Image Process Practice %% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% clc; clear all; cntFrame = 23; obj = VideoReader('768x576.avi'); numFrames = obj.NumberOfFrames;for k = 1 : cntFrameframe = read(obj,k);imwrite(frame,...strcat('C:\Users\Zi-Heng Shen\Documents\MATLAB\BackGroundModel\混合高斯背景建模\',...num2str(k),'.bmp'),'bmp');end %% 参数定义及初始化 I = imread('1.bmp'); %读入第一帧作为背景帧 fr_bw = I; [height,width] = size(fr_bw); %求每帧图像大小 width = width/3; %排除颜色通道数 fg = zeros(height, width); %定义前景和背景矩阵 bg_bw = zeros(height, width);C = 3; % 单高斯模型的个数(通常为3-5) M = 3; % 代表背景的模型个数 D = 2.5; % 偏差阈值 alpha = 0.01; % 学习率 thresh = 0.25; % 前景阈值 sd_init = 15; % 初始化标准差 w = zeros(height,width,C); % 初始化权重矩阵 mean = zeros(height,width,C); % 像素均值 sd = zeros(height,width,C); % 像素标准差 u_diff = zeros(height,width,C); % 像素与某个高斯模型均值的绝对距离 p = alpha/(1/C); % 初始化p变量,用来更新均值和标准差 rank = zeros(1,C); % 各个高斯分布的优先级(w/sd)pixel_depth = 8; % 每个像素8bit分辨率 pixel_range = 2^pixel_depth -1; % 像素值范围[0,255]for i=1:heightfor j=1:widthfor k=1:Cmean(i,j,k) = rand*pixel_range; %初始化第k个高斯分布的均值w(i,j,k) = 1/C; % 初始化第k个高斯分布的权重sd(i,j,k) = sd_init; % 初始化第k个高斯分布的标准差 endend endfor n = 1:cntFrameframe=strcat(num2str(n),'.bmp');I1 = imread(frame); % 依次读入各帧图像fr_bw = I1; % 计算新像素与第m个高斯模型均值的绝对距离for m=1:Cu_diff(:,:,m) = abs(double(fr_bw(:,:,m)) - double(mean(:,:,m)));end% 更新高斯模型的参数for i=1:heightfor j=1:widthmatch = 0; %匹配标记;for k=1:C if (abs(u_diff(i,j,k)) <= D*sd(i,j,k)) % 像素与第k个高斯模型匹配 match = 1; %将匹配标记置为1% 更新权重、均值、标准差、pw(i,j,k) = (1-alpha)*w(i,j,k) + alpha;p = alpha/w(i,j,k); mean(i,j,k) = (1-p)*mean(i,j,k) + p*double(fr_bw(i,j));sd(i,j,k) = sqrt((1-p)*(sd(i,j,k)^2) + p*((double(fr_bw(i,j)) - mean(i,j,k)))^2);else % 像素与第k个高斯模型不匹配w(i,j,k) = (1-alpha)*w(i,j,k); %略微减少权重 endend bg_bw(i,j)=0;for k=1:Cbg_bw(i,j) = bg_bw(i,j)+ mean(i,j,k)*w(i,j,k);end% 像素值与任一高斯模型都不匹配,则创建新的模型if (match == 0)[min_w, min_w_index] = min(w(i,j,:)); %寻找最小权重mean(i,j,min_w_index) = double(fr_bw(i,j));%初始化均值为当前观测像素的均值sd(i,j,min_w_index) = sd_init; %初始化标准差为6endrank = w(i,j,:)./sd(i,j,:); % 计算模型优先级rank_ind = [1:1:C];%优先级索引 % 计算前景 fg(i,j) = 0;while ((match == 0)&&(k<=M)) if (abs(u_diff(i,j,rank_ind(k))) <= D*sd(i,j,rank_ind(k)))% 像素与第k个高斯模型匹配fg(i,j) = 0; %该像素为背景,置为黑色 elsefg(i,j) = 255; %否则为前景,置为白色 end k = k+1;endendendfigure(n)subplot(1,3,1),imshow(fr_bw); %显示最后一帧图像subplot(1,3,2),imshow(uint8(bg_bw)) %显示背景disk = strel('disk',1);disk1 = strel('disk',4);subplot(1,3,3),imshow(imdilate(imerode(uint8(fg),disk),disk1)); %显示前景 end
输出结果:
代码及结果引用请标注:Ziheng H. Shen @Graduate School of Tsinghua Univ.
运动目标检测_混合高斯背景建模相关推荐
- 运动目标检测_单高斯背景建模
1.运动目标背景建模 背景建模也称为背景估计,其主要目的是根据当前的背景估计,把对序列图像的运动目标检测问题转化为一个二分类问题,将所有像素划分为背景和运动前景两类,进而对分类结果进行后处理,得到最终 ...
- 运动目标检测混合高斯背景建模
1.混合高斯背景建模理论 混合高斯背景建模是基于像素样本统计信息的背景表示方法,利用像素在较长时间内大量样本值的概率密度等统计信息(如模式数量.每个模式的均值和标准差)表示背景,然后使用统计差分(如3 ...
- 运动目标的背景建模-混合高斯背景建模和KNN模型建模的OpenCV代码实现
图像处理开发需求.图像处理接私活挣零花钱,请加微信/QQ 2487872782 图像处理开发资料.图像处理技术交流请加QQ群,群号 271891601 运动检测通常用于分析视频序列中的移动目标,如车辆 ...
- 【图像处理基础知识】-混合高斯背景建模
0.高斯模糊原理 转载地址:https://www.cnblogs.com/herenzhiming/articles/5276106.html --------------------------- ...
- 混合高斯背景建模算法GMM
高斯混合模型介绍 高斯混合模型(Gaussian Mixture Model)通常简称GMM,是一种业界广泛使用的聚类算法,该方法使用了高斯分布作为参数模型,并使用了**期望最大(Expectatio ...
- 混合高斯背景建模原理
混合高斯背景建模 混合高斯模: 背景图像的每一个像素分别用由K个高斯分布构成的混合高斯模型来建模 P ( I ) = ∑ q = 1 Q w q N q ( I ; μ q , σ q 2 ) N q ...
- matlab 混合高斯背景建模的实现
%根据opencv源代码改编 输入视频 输出一连串的黑白图像帧 clc; clear; %-------混合高斯背景建模 参数 ----------------- gauss_n = 3; %每个像素 ...
- 0056-在OpenCV环境下使用混合高斯背景建模提取前景目标
博主注: 已于2022-06-01重写这篇博文,有两个链接,分别如下 https://blog.csdn.net/wenhao_ir/article/details/125010301 https:/ ...
- 高斯背景建模 matlab,高斯背景建模整理 – 要饭的
OpenCV 中高斯背景建模相关论文 BackgroundSubtractorMOG: Paper : An Improved Adaptive Background Mixture Model fo ...
最新文章
- tcpdump抓包并保存到远程服务器
- 2012年企业Web应用安全防范与趋势展望
- 评分卡开发方法论scorecard
- CNCF 宣布成立应用交付领域小组,正式开启云原生应用时代
- java等待页面加载_java selenium (十三) 智能等待页面加载完成
- WordPress 插件漏洞被利用,近 20 万站点还没打补丁
- TDirectory.IsRelativePath是否相对路径
- 23_Shell语言————位置变量($@、$、$#、shift)
- 面向对象7:package、MVC设计模式、import
- mysql select选择多列_数据库 update select 多列操作
- python request.get_Python request.get_data方法代码示例
- 国内外云服务器运维面板有哪些?运维面板全面汇总
- 标签打印软件如何设计正反面打印模式
- 视频会议软件Zoom存在安全隐患,我们是否需要停止使用
- 小酌重构系列[12]——去除上帝类
- Unreal Engine4人物模板编辑与解析(1)
- 浏览器做打假助手,边界在哪里?
- 使用PS去水印的方法
- 在12306的程序猿面前,没人敢说委屈
- python进阶练习之——复读机相加