单高斯模型检测运动目标

单高斯模型

定义

单高斯模型是一种图像处理背景提取的处理方法，适用于背景单一不变的场合。可以使用单高斯模型对背景进行建模，然后通过背景减除提取出运动目标。

数学定义

单高斯模型认为，对一个背景图像，特定像素点灰度值的分布满足高斯分布，即对背景图像B，每一个点(x,y)的亮度满足$B(x,y)\text{~}N(\mu ,{\sigma }^2)$,即：
$$I(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$$
也就是说，每一个像素点都包含两个属性，均值$\mu$和方差$\sigma$。在提取目标的过程中，首先计算一段时间内的视频序列中图像每一个点的均值和方差，作为背景模型，然后对于一幅包含前景的任意图像G，对G上每一个点(x,y)计算，若：
$$\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(IG(x,y)-IB(x,y){)}^2}{2{\sigma }^2}}>T$$
则认为该点是背景点，否则是前景点，其中T为一个常数阈值，IG(x,y)表示图G中点(x,y)的灰度值，IB(x,y)同理。

随着时间的变化，背景图像也会发生变化，因此需要调整每个像素点的参数：

$$\mu (x,y,t)=lr\ast \mu (x,y,t-1)+(1-lr)\ast I(x,y,t)$$
$$\sigma (x,y,t)=lr\ast \sigma (x,y,t-1)+(1-lr)\ast (I(x,y,t)-\mu (x,y,t){)}^2$$
其中lr是一个常数，表示更新率，lr越大，背景更新的越慢。

Python编码实现

import cv2
import numpy as np

"""
使用单高斯模型检测静止相机下的运动目标
"""
np.set_printoptions(precision=2,suppress=True)
# 设置常数
T=3 # 前后景区分常数
lr=0.3  # 学习率

# 读取视频
cap=cv2.VideoCapture('video.gif')
isFirst=True

while cap.isOpened():
    ret,frame=cap.read()
    if frame is not None:
        gray=cv2.cvtColor(frame,cv2.COLOR_RGB2GRAY)
        # 使用第一帧来初始化参数
        if isFirst:
            mean=np.zeros(gray.shape)
            var=np.zeros(gray.shape)
            isFirst=False
        else:
            # 标识目标
            frame[(gray-mean)**2 > T*var,2]=255
            cv2.imshow('tracking',frame)
            # 更新参数
            mean=lr*mean+(1-lr)*gray
            var=lr*var+(1-lr)*(gray-mean)**2
            if cv2.waitKey(50) and 0xFF ==ord('q'):
                break
    else:
        break

检测效果

静止相机：

非静止相机：

单高斯模型检测静止相机效果还行，非静止相机完全不能用