GMM高斯混合模型进行背景建模（Matlab）

        参考：http://blog.csdn.net/jinshengtao/article/details/26278725    

                   http://www.ilovematlab.cn/thread-326760-1-1.html   

        本来是自己的课堂作业，但是拖了这么长时间才写出来，并且中间参考了大量的blogs。其实，最好的reference应该是原作者的paper，可是我并没有找到。很多的blogs质量其实良莠不齐。

        在这里，我说明一下自己代码的用途，其实依据图像进行背景建模（最好的当然是依据video了）。

        别的先不说了，前面的两篇参考blogs其实已经把理论解释说明白了。下面贴代码吧：

clear;
fr=imread('first.jpg');
% 读取该图像作为背景 
fr_bw1 = rgb2gray(fr);   
% 将背景转换为灰度图像 
fr_size = size(fr);             
%取帧大小 
width = fr_size(2); 
height = fr_size(1); %获取原图像的尺寸
fg = zeros(height, width);   %前景,读取的第二张图片获得
bg_bw = zeros(height, width);%背景,读取的第一张图片获得
fr_bw1 = double(fr_bw1);
% --------------------- mog variables ----------------------------------- 
C = 3;           % 组成混合高斯的单高斯数目 (一般3-5) 
D = 2.5;         % 阈值（一般2.5个标准差） 
alpha = 0.01;    % learning rate 学习率决定更新速度(between 0 and 1) (from paper 0.01) 
thresh = 0.25;   % foreground threshold 前景阈值(0.25 or 0.75 in paper) 
sd_init = 36;    % initial standard deviation 初始化标准差(for new components) var = 36 in paper 
w = zeros(height,width,C);          % initialize weights array 初始化权值数组 
w(:,:,1) = 1;
w(:,:,2:C) = 2^-10;                  % 第一个高斯分布的初始权重为1，其余分布的权重为0
mean = zeros(height,width,C);        % pixel means 像素均值 
mean(:,:,1) = fr_bw1;                % 第一个高斯分布的初始均值为参考帧的值，其余分布的均值为0s
sd = sd_init*ones(height,width,C);   % pixel standard deviations 像素标准差 
matchcnt = ones(height, width,C);    % 匹配的次数，初始值都设为1
u_diff = zeros(height,width,C);      % difference of each pixel from mean 图片与高斯均值的差 

fr = imread('second.jpg');       % read in frame 读取帧 
fr_bw = rgb2gray(fr);  	   % convert frame to grayscale 转换为灰度图像
fr_bw = double(fr_bw);     % 将灰度图值设置为双精度
 %求导入进来的图片与各个高斯均值的差
for m=1:C  
	u_diff(:,:,m) = abs(fr_bw - double(mean(:,:,m)));     
end       
% update gaussian components for each pixel 更新每个像素的背景模型 
%rank_ind = zeros(C,1);
for i=1:height
	for j=1:width              
        match = 0; %像素与高斯模型匹配的标识
        match_ind = 0;%为该像素最匹配的高斯模型的标号
        for k=1:C %与第k个高斯模型进行比对，然后更新参数                 
            if (abs(u_diff(i,j,k)) <= D*sd(i,j,k) && (match == 0))       % pixel matches component像素匹配了高斯中的第k个模型 			
                match = 1;                               
                % variable to signal component match 设置匹配标记 				
                match_ind = k;
                % update weights, mean, sd, p  更新权值，均值，标准差和参数学习率                     
  				p = alpha/w(i,j,k);           %理应使用p = alpha/gaussian才对，这里勉强      
                w(i,j,k) = (1-alpha)*w(i,j,k) + alpha;                     
				%p = alpha/w(i,j,k);           %理应使用p = alpha/gaussian才对，这里勉强       
                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);
                if matchcnt(i, j, k) ~= 255                            % 匹配次数达到255就不加了。在实时视频序列中，上限是必须的，否则可能溢出。
                    matchcnt(i, j, k) = matchcnt(i, j, k) + 1;
                end 
            else                                    
			%当与第k个模型没有匹配的话，则第k个模型所占的比重自然而然地下降
                w(i,j,k) = (1-alpha)*w(i,j,k);      % weight slighly decreases 权值减小                                      
            end
        end
   		% if no components match, create new component 如果没有匹配的模型则创建新模型
		if(match==0)  % 没有匹配的高斯，建立新的高斯取代：排序后排在最后面的那个
            [min_w,min_w_index]=min(w(i,j,:));
            matchcnt(i,j,min_w_index) = 1; % 匹配次数设为1，一个小值
            w(i,j,min_w_index) = 1 / ( sum( matchcnt(i, j, :) ) - 1 );% 权值为其它高斯分布匹配次数之和的倒数
			mean(i,j,min_w_index)=double(fr_bw(i,j));
			sd(i,j,min_w_index)=sd_init;
        end
        %无论匹配是否成功，都要将该像素在不同模型上的权重标准归一化
        w_sum = sum(w(i, j, :));
        w(i, j, :) = w(i, j, :) / w_sum;
        
        %针对该像素，计算多个模型的优先级（依据权重）
		rank = w(i,j,:)./sd(i,j,:);             
		[sorted_rank, rank_ind] = sort(rank, 'descend');
        
        %将前景的初始值设置为255，即为白色；
        fg(i,j) = fr_bw(i,j);
        %当该像素匹配成功的时候，利用高斯混合模型，将该像素值重新设置
        if(match == 1)
            switch match_ind
                case rank_ind(1)% 与最优的高斯匹配，肯定是归为背景点
                    fg(i,j) = 0;
                case rank_ind(2)% 与中间的高斯匹配，如果最上面一个高斯的权值小于thresh，则这点归为背景点
                    if w(i, j, rank_ind(1)) < thresh
                        fg(i, j) = 0;
                    end
                case rank_ind(3)% 与最下面的高斯匹配，如果最下面的高斯权值大于1-thresh（或者前两个高斯权值和小于thresh），则这点归为背景点
                    if w(i, j, rank_ind(3)) > 1 - thresh
                        fg(i, j) = 0;
                    end
            end
        end
        for k=1:C
            bg_bw(i,j) = bg_bw(i,j)+ mean(i,j,k)*w(i,j,k);%更新背景
        end
%         % 根据rank的排序结果调整参数的顺序
%         tmp_T = [mean(i, j, :); sd(i, j, :); w(i, j, :); matchcnt(i, j, :)]; % 为了排序时，几个参数同步调整，所以组合在一起
%         mean(i, j, :) = tmp_T(1, rank_ind);    %即同时利用rank，将mean进行了排序
%         sd(i, j, :) = tmp_T(2, rank_ind);      %同理
%         w(i, j, :) = tmp_T(3, rank_ind);       %同理
%         matchcnt(i, j, :) = tmp_T(4, rank_ind);%同理
%         if w(i, j, 1) > thresh                 %使用大于阈值的进行背景构造即可
%             bg_bw(i, j) = w(i, j, 1) * mean(i, j, 1); 
%         else
%             if w(i, j, 1) + w(i, j, 2) > thresh
%                 bg_bw(i, j) = w(i, j, 1) * mean(i, j, 1) + w(i, j, 2) * mean(i, j, 2);
%             else
%                 bg_bw(i, j) = sum(w(i, j, :) .* mean(i, j, :));
%             end
%         end
	end
end
figure(1),subplot(3,1,1),imshow(fr);    %显示输入图像
subplot(3,1,2),imshow(uint8(bg_bw));  %显示背景图像
subplot(3,1,3),imshow(uint8(fg));     %显示前景图像
				

显示结果：