目前，運動物體檢測的問題主要分為兩類，攝像機固定和攝像機運動。對於攝像機運動的運動物體檢測問題，比較著名的解決方案是光流法，通過求解偏微分方程求的影象序列的光流場，從而**攝像機的運動狀態。對於攝像機固定的情形，當然也可以用光流法，但是由於光流法的複雜性，往往難以實時的計算，所以我採用
高斯背景模型。因為，在攝像機固定的情況下，背景的變化是緩慢的，而且大都是光照，風等等的影響，通過對背景建模，對一幅給定影象分離前景和背景，一般來說，前景就是運動物體，從而達到運動物體檢測的目的
單分布高斯背景模型
單分布高斯背景模型認為，對乙個背景影象，特定畫素亮度的分布滿足高斯分布，即對背景影象b，(x,y)點的亮度滿足：
ib(x,y) ~ n(u,d)
這樣我們的背景模型的每個象素屬性包括兩個引數：平均值u 和 方差d。
對於一幅給定的影象g，如果 exp(-(ig(x,y)-u(x,y))^2/(2*d^2)) > t，認為(x,y)是背景點，反之是前景點。
同時，隨著時間的變化，背景影象也會發生緩慢的變化，這時我們要不斷更新每個象素點的引數
u(t+1,x,y) = a*u(t,x,y) + (1-a)*i(x,y)
這裡，a稱為更新引數，表示背景變化的速度，一般情況下，我們不更新d（實驗中發現更不更新d，效果變化不大）。
高斯混合模型是用於背景提取的方法，opencv的cvaux中cvbgfg_gaussmix.cpp檔案根據文獻an improved adaptive background mixture model for real-time tracking with shadow中提供的方法編寫了高斯混合模型函式。其中定義了cvgaussbgmodel類用於存放高斯混合模型的各個引數。我用opencv使用高斯混合模型函式分以下幾步：
1。在程式初始化部分定義高斯混合模型引數cvgaussbgmodel* bg_model=null;在讀取第一幀影象（背景影象）時，進行高斯背景建模bg_model = (cvgaussbgmodel*)cvcreategaussianbgmodel(image, 0);image可以是灰度圖象也可以是彩色影象。接下來再讀取當前幀時，更新高斯模型
regioncount=icvupdategaussianbgmodel(currframe, bg_model );regioncount的含義我不確定，我理解是代表背景中不同顏色區域的個數，這個引數我沒有用到，它只是icvupdategaussianbgmodel函式的返回值。
2。現在bg_model已經儲存了經過高斯混合模型分類後的結果，bg_model->background儲存了背景影象，bg_model->foreground儲存了前景影象。
#include #include #include #include #include //必須引此標頭檔案
int main( int argc, char** ar** )
//初始化高斯混合模型引數
cvgaussbgmodel* bg_model=null;
while(pframe = cvqueryframe( pcapture ))
else
}//釋放高斯模型引數占用記憶體
cvreleasebgstatmodel((cvbgstatmodel**)&bg_model);
cvdestroywindow("video");
cvdestroywindow("background");
cvdestroywindow("foreground");
cvreleaseimage(&pfrimg);
cvreleaseimage(&pbkimg);
cvreleasecapture(&pcapture);
return 0;
}
高斯混合模型 前景分割演算法
環境 ubuntu16.04 opencv3.0 python2.7，環境配置可參考www.pyimagesearch.com 前言 背景減法是許多基於視覺的應用程式中的主要預處理步驟。opencv已經實現了三個非常容易使用的演算法。效果圖展示 實現僅僅匯入opencv的預設演算法 coding u...
高斯混合模型
本文就高斯混合模型 gmm,gaussian mixture model 引數如何確立這個問題，詳細講解期望最大化 em,expectation maximization 演算法的實施過程。多維變數x服從高斯分布時，它的概率密度函式pdf為 x是維度為d的列向量，u是模型期望，是模型方差。在實際應用...
高斯混合模型
高斯混合模型 本文就高斯混合模型 gmm,gaussian mixture model 引數如何確立這個問題，詳細講解期望最大化 em,expectation maximization 演算法的實施過程。多維變數x服從高斯分布時，它的概率密度函式pdf為 x是維度為d的列向量，u是模型期望，是模型方...