基于高斯核密度估计的背景建模和改进的五帧帧差法相融合的运动目标检测算法

           上篇文章所指定的是对一个不包含动态背景的监控视频进行前景提取，用基于改进的五帧帧差和混合高斯模型相融合的前景提取算法是可以很好实现前景提取的。但本文中要求在包含动态背景的监控视频提取前景目标，虽然上篇文章中的算法也能用于此问，但效果不太理想，噪声较多。

    我们认真分析了上篇文章提出的算法在处理本问题时效果不好的原因，分析发现可能以下因素造成了检测效果不佳：(1) 背景图像不是完全静止的，由于风的影响，会有树木、草等的摇动，这种周期性运动对运动目标的检测造成很大的不便 ；(2) 运动目标部分区域的灰度有时和背景的灰度十分接近，使得由图像差值法得到的目标区域出现大面积空洞；(3) 由于天气变化，背景图像必须有合适的更新策略。综上分析我们发现，提取算法的难点主要不在于“减运算”本身而在于背景动态模型的建立，即如何从包含运物体的视频序列中提取出背景。

    基于上述分析，我们又提出了一种能很好解决包含动态背景的监控视频提取前景目标的算法，即基于高斯核密度估计的背景建模和改进的五帧帧差法相融合的运动目标检测算法，由于保留了背景的多个模态，降低了误检率，该算法可处理多种复杂背景(如存在摄像机抖动，树叶摇动等情形)，而且该算法引入了面积阈值来消除大的噪声，判断背景是否发生了突变，从而更新背景样本集，适应背景突变视频中的前景目标精准提取。

1 高斯核密度估计的背景建模算法

1.1核密度估计原理

      核密度估计方法实际上就是对离散的背景样本点，在一个窗宽范围内插一个核函数，多个核函数通过权值累加可得到光滑的背景曲线分布。核密度估计方法是目前最有效的无参密度估计方法。核密度估计方法跟直方图统计技术有相似之处，对一组采样数据，按照相等的区间划分成若干份，每份称作一个“条块（bin）”，根据bin把数据分成不同的组，而每个bin的概率值是每组中数据出现的个数与总样本数的比值。

定义：设X是一个d 维的欧氏空间，此空间上的函数定义域到值域的映射为：X×X→R，如果以下形式的函数

                 K