关于高斯混合模型的心得 .

 (转载)http://blog.csdn.net/spritsu/article/details/2866018

在智能监控系统中，对于运动目标的检测是中心内容，而在运动目标检测提取中，背景目标对于目标的识别和跟踪至关重要。而建模正是背景目标提取的一个重要环节。

          我们首先要提起背景和前景的概念，前景是指在假设背景为静止的情况下，任何有意义的运动物体即为前景。建模的基本思想是从当前帧中提取前景，其目的是使背景更接近当前视频帧的背景。即利用当前帧和视频序列中的当前背景帧进行加权平均来更新背景,但是由于光照突变以及其他外界环境的影响，一般的建模后的背景并非十分干净清晰，而高斯混合模型是是建模最为成功的方法之一。

        混合高斯模型使用K（基本为3到5个） 个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点, 否则为前景点。通观整个高斯模型，他主要是有方差和均值两个参数决定，,对均值和方差的学习,采取不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性。由于我们是对运动目标的背景提取建模，因此需要对高斯模型中方差和均值两个参数实时更新。为提高模型的学习能力,改进方法对均值和方差的更新采用不同的学习率;为提高在繁忙的场景下,大而慢的运动目标的检测效果,引入权值均值的概念,建立背景图像并实时更新,然后结合权值、权值均值和背景图像对像素点进行前景和背景的分类。具体更新公式如下：

μt= (1 - ρ)μt- 1 +ρxt                                  (1)
σ2t = (1 - ρ)σ2t- 1 +ρ( xt -μt ) T ( xt -μt ) (2)
ρ =αη( xt | μκ,σκ )                                      (3)
| xt -μt - 1 | ≤ 2. 5σt- 1                               (4)

w k , t = (1 - α) w k , t - 1 +αMk , t          (5)

式中ρ为学习率，即反映当前图像融入背景的速率。

         建模过程中，我们需要对混合高斯模型中的方差、均值、权值等一些参数初始化，并通过这些参数求出建模所需的数据，如马兹距离。在初始化过程中，一般我们将方差设置的尽量大些（如15），而权值则尽量小些（如0.001）。      这样设置是由于初始化的高斯模型是一个并不准确，可能的模型，我们需要不停的缩小他的范围，更新他的参数值，从而得到最可能的高斯模型，将方差设置大些，就是为了将尽可能多的像素包含到一个模型里面，从而获得最有可能的模型。部分代码如下：

1.  for(i=0; i<K_MODELS; i++)  //K_MODELS为预先定义的模型数
2.    {
3.       // calculate the vector, v = (X - u)
4.       for(j=0; j<3; j++) v[j] = pixel[j] - model[i]->mean[j];
6.       // calculate the squared distance, d = |v|^2
7.       model[i]->dist2 = v[0]*v[0] + v[1]*v[1] + v[2]*v[2];
9.       // zot: this is only equal to mahalanobis distance
10.       //   when covariance matrix = vI
11.       //   (v = scalar variance for all channels)
12.       model[i]->mah2 = model[i]->dist2 / model[i]->var;    //即为马兹距离
13.       
14.       // see if X is close enough to this model
15.       if (model[i]->mah2 < SFSquared) break;  // the current pixel matches one of the K models
16.                                                                                //SFSquared是预定义的值        
17.    }
18.         同时这时又产生了一个疑问，那么如何得知我们的模型是否超过预定义的模型数了呢？这便是我们设置权值的其中一个原因了。根据大量的试验，我们得出当前面几个模型数的权值之和在T值（一般设为0.75）之内时，效果最好，因此当我们将前面的模型权值相加，当超过0.75时便舍去后面的模型。当然其中还有一个重要的问题，我们是如何得知前面的模型是相对来说最有可能的模型，而非被舍去的模型呢？在这里我们首先要对各个模型的权值进行排序，按照权值与方差的比率的从大到小，对模型进行排序。由于一开始建立的模型肯定是不可靠的，在最后基本会被舍弃，因此我们在初始化的时候将初始模型的方差尽量大，而权值尽量小，从而使最不可能的模型排在比较后面。
19.         到这里为止，混合高斯模型的建模基本完成，我在归纳一下其中的流程，首先初始化预先定义的几个高斯模型，对高斯模型中的参数进行初始化，并求出之后将要用到的参数。其次，对于每一帧中的每一个像素进行处理，看其是否匹配某个模型，若匹配，则将其归入该模型中，并对该模型根据新的像素值进行更新，若不匹配，则以该像素建立一个高斯模型，初始化参数，代理原有模型中最不可能的模型。最后选择前面几个最有可能的模型作为背景模型，为背景目标提取做铺垫。

 

=========================

以下代码来自 http://www.opencv.org.cn/index.php/%E9%AB%98%E6%96%AF%E8%83%8C%E6%99%AF%E5%BB%BA%E6%A8%A1

#include <stdio.h>
#include <cv.h>
#include <cxcore.h>
#include <highgui.h>
#include <cvaux.h>//必须引此头文件
int main( int argc, char** argv )
{

 IplImage* pFrame = NULL;  
 IplImage* pFrImg = NULL;
 IplImage* pBkImg = NULL;  
 CvCapture* pCapture = NULL;  
 int nFrmNum = 0;

 cvNamedWindow("video", 1);
 cvNamedWindow("background",1);
 cvNamedWindow("foreground",1);  
 cvMoveWindow("video", 30, 0);
 cvMoveWindow("background", 360, 0);
 cvMoveWindow("foreground", 690, 0);
 if( argc > 2 )  
 {    
  fprintf(stderr, "Usage: bkgrd [video_file_name]\n");    
  return -1;  
 }

 //打开视频文件
 if(argc == 2)  
  if( !(pCapture = cvCaptureFromFile(argv[1])))    
  {  
   fprintf(stderr, "Can not open video file %s\n", argv[1]);  
   return -2;    
  }
  //打开摄像头
  if (argc == 1)  
   if( !(pCapture = cvCaptureFromCAM(-1)))    
   {  
    fprintf(stderr, "Can not open camera.\n");  
    return -2;    
   }  

   //初始化高斯混合模型参数
   CvGaussBGModel* bg_model=NULL;

   while(pFrame = cvQueryFrame( pCapture ))  
   {    
    nFrmNum++;          
    if(nFrmNum == 1)  
    {   
     pBkImg = cvCreateImage(cvSize(pFrame->width, pFrame->height),  IPL_DEPTH_8U,3);  
     pFrImg = cvCreateImage(cvSize(pFrame->width, pFrame->height),  IPL_DEPTH_8U,1);    

     //高斯背景建模，pFrame可以是多通道图像也可以是单通道图像
     //cvCreateGaussianBGModel函数返回值为CvBGStatModel*，
     //需要强制转换成CvGaussBGModel*
     bg_model = (CvGaussBGModel*)cvCreateGaussianBGModel(pFrame, 0);
    }    
    else
    {   
     //更新高斯模型
     cvUpdateBGStatModel(pFrame, (CvBGStatModel *)bg_model );

     //pFrImg为前景图像，只能为单通道
     //pBkImg为背景图像，可以为单通道或与pFrame通道数相同
     cvCopy(bg_model->foreground,pFrImg,0);
     cvCopy(bg_model->background,pBkImg,0);

     //把图像正过来
     pBkImg->origin=1;
     pFrImg->origin=1;

     cvShowImage("video", pFrame);   
     cvShowImage("background", pBkImg);   
     cvShowImage("foreground", pFrImg);      
     if( cvWaitKey(2) >= 0 )     
      break;    
    }    

   }

   //释放高斯模型参数占用内存  
   cvReleaseBGStatModel((CvBGStatModel**)&bg_model);
   cvDestroyWindow("video");
   cvDestroyWindow("background");
   cvDestroyWindow("foreground");  
   cvReleaseImage(&pFrImg);
   cvReleaseImage(&pBkImg);  
   cvReleaseCapture(&pCapture);  
   return 0;
}