这篇博客介绍了OpenCV的video module中混合高斯模型（GMM）用于运动目标检测的方法，它通过建立鲁棒的背景模型来区分前景和背景。GMM允许像素值有多个模态变化，适合处理复杂场景。文章提到了Adaptive background mixture models的相关研究，并给出了使用GMM进行背景减除并消除运动阴影的代码实现，展示了实验结果。
OpenCV的video module中包含了几种较为常用的背景减除方法，其中混合高斯模型（Gaussian of Mixture Models, GMM）方法效果较好。
常用的目标检测方法：1）帧间差分；2）背景减除；
其中背景减除方法的关键在于建立一个鲁棒的背景模型（背景图像），常用的建立背景模型方法有：
1）均值法；2）中值法；3）滑动平均滤波法；4）单高斯；5）混合高斯模型；6）codebook，等。
混合高斯模型的原理：
每个像素的R、G、B三个通道像素值的变化分别由一个混合高斯模型分布来刻画。这样的好处在于，同一个像素位置处可以呈现多个模态的像素值变化（例如水波纹，晃动的叶子等）。
GMM的出处：Adaptive background mixture models for real-time tracking （1999年由Chris Stau er提出）
最低0.47元/天 解锁文章
扫一扫
7306
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
