混合高斯模型

混合高斯模型 

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。

折叠定义

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，他主要是由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。

折叠运动检测的一般方法

高斯模型就是用高斯概率密度函数(正态分布曲线)精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。对图像背景建立高斯模型的原理及过程:图像灰度直方图反映的是图像中某个灰度值出现的频次，也可以以为是图像灰度概率密度的估计。

折叠单分布高斯背景模型

单分布高斯背景模型认为，对一个背景图像，特定像素亮度的分布满足高斯分布，即对背景图像B， (x,y)点的亮度满足:

IB(x,y) ~ N(u,d)

这样我们的背景模型的每个象素属性包括两个参数:平均值u 和 方差d。

对于一幅给定的图像G，如果 Exp(-(IG(x,y)-u(x,y))^2/(2*d^2)) > T，认为(x,y)是背景点，反之是前景点。

同时，随着时间的变化，背景图像也会发生缓慢的变化，这时我们要不断更新每个像素点的参数

u(t+1,x,y) = a*u(t,x,y) + (1-a)*I(x,y)

这里，a称为更新参数，表示背景变化的速度，一般情况下，我们不更新d(实验中发现更不更新d，效果变化不大)。

高斯混合模型是用于背景提取的方法，OpenCV的cvaux中cvbgfg_gaussmix.cpp文件根据文献An improved adaptive background mixture model for real-time tracking with shadow中提供的方法编写了高斯混合模型函数。其中定义了CvGaussBGModel类用于存放高斯混合模型的各个参数。我用OpenCV使用高斯混合模型函数分以下几步:

1。需要用到icvUpdateGaussianBGModel，icvReleaseGaussianBGModel两个函数，但是源程序中将这两个函数定义为内部函数，需要做一些修改，首先将cvbgfg_gaussmix.cpp中前面两个函数的声明static void CV_CDECL icvReleaseGaussianBGModel( CvGaussBGModel** bg_model );

static int CV_CDECL icvUpdateGaussianBGModel( IplImage* curr_frame, CvGaussBGModel* bg_model );两行代码注释掉。然后在cvbgfg_gaussmix.cpp中间部分两个函数的定义部分，函数头static int和static void改成CV_IMPL int 和CV_IMPL void。最后在cvaux.h文件中CVAPI(CvBGStatModel*) cvCreateGaussianBGModel( IplImage* first_frame,

CvGaussBGStatModelParams* parameters CV_DEFAULT(NULL));这句后面加上以下两句CVAPI(void) icvReleaseGaussianBGModel( CvGaussBGModel** bg_model );

CVAPI(int) icvUpdateGaussianBGModel( IplImage* curr_frame, CvGaussBGModel* bg_model );

程序修改完毕，点rebuild all，全部重新编译。

2。在程序初始化部分定义高斯混合模型参数CvGaussBGModel* bg_model=NULL;在读取第一帧图像(背景图像)时，进行高斯背景建模bg_model = (CvGaussBGModel*)cvCreateGaussianBGModel(image, 0);image可以是灰度图象也可以是彩色图像。接下来再读取当前帧时，更新高斯模型

regioncount=icvUpdateGaussianBGModel(currframe, bg_model );regioncount的含义我不确定，我理解是代表背景中不同颜色区域的个数，这个参数我没有用到，它只是icvUpdateGaussianBGModel函数的返回值。

3。现在bg_model已经保存了经过高斯混合模型分类后的结果，bg_model->background保存了背景图像，bg_model->foreground保存了前景图像。

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;

}