1、1997-Wren-Pfinder_Real-Time_Tracking_of_the_Human_Body(引用349)
Pfinder实时系统对跟踪对象用了一个多类的统计模型,但是背景模型每个像素只有一个高斯模型,在初始化一个没有运动物体的背景后,这个系统能得到一个很好的结果,但是在户外场景,随着时间的迁移、光线的变化,这种算法并没有得到成功的跟踪结果。
2、1999-stauffer_Adaptive background mixture models for real-time tracking(引用83)
这篇文章首次将GMM模型引入cv领域中,提供了一个用背景减图法进行于前景检测的背景建模方法。文章中将每一个像素点都建立一个混合高斯模型(即用多个高斯来描述该像素点),并且能够在线近似更新该点的模型。训练阶段,当建立了多个高斯时,这些混合高斯的分布将会被评估决定哪些高斯最有可能代表背景模型。在检测阶段,将会计算每个像素点的值与混合高斯中高斯的相似度,如果到达预定阈值,则认为属于背景,否则属于前景。
文章中给出了GMM的表达式,权值更新方程,均值和方差更新方程,以及对每个点选择GMM个数B的方法。
GMM的优点是可以在动态环境中使用,包括摇动的树叶,缓慢的光线变化等,室内外环境稳定性和鲁棒性都还不错;可以处理多模态数据;当背景再次出现时&#