混合高斯模型学习

刚刚看了下原论文。。发现确实。。比网上找的所有资料都要详细和准确。。不过还是感谢其他的中文作者。。

首先作者介绍了混合高斯模型是将单一像素的值建模成一组高斯分布的混合，在这一组高斯分布中决定了哪些高斯分布对应了背景。

然后说了下混合高斯模型能够在处理光线变化、重复移动对象、慢速移动对象和混乱场景的追踪方面有很好的鲁棒性。

然后提到了该模型中有两个重要参数：学习参数α和决定背景的比例数据 T。

接着就是详细介绍算法本质

首先认为某一像素在一段时间区间内的值是“pixel process”。更形象的描述为：

这些就是我们建模与更新的指导信息。可以对该像素建立由K个高斯模型组成的高斯混合模型：

其中ωi,t是第i个高斯分布在时刻t的权值。μi,t是指第i个高斯分布在时刻t的平均值，Σ指的是协方差。

η是高斯概率密度函数：

K一般来说是由内存和计算能力决定，一般来说3-5都是可以的。

另外，为了计算考虑，协方差被近似于。

PS.上面说的其实笔者也不太明白。。数学功底太差啊。。后面的就好理解了。

对于某一像素的新的像素值Xt，对当前已存在的K个高斯分布作比对，直到配对成功。

而配对成功的定义是一个像素值在该分布的2.5倍标准差范围内。这就决定了对于每个像素/每个分布都有自己特定的阈值，这一点很重要。

如果没有任何一个分布能够与当前像素值Xt配对，则新建一个以Xt为均值，初始方差足够大的高斯分布，替代掉当前K个分布中可能性最小的。（我理解的是权值最小）

这之后，K个分布在时刻t的权值会用以下公式进行更新：

α就是之前提到的学习率，它定义了分布权值变化的速度。

Mk,t对于配对成功的分布取值为1，其它则为0。

在这次更新之后，会对整个K个分布的权值做归一化处理。

除此之外，对于配对成功的分布，我们还必须更新它们的均值与方差，更新公式如下：

其中ρ定义为：

（惭愧呀。。这里又没看懂）

对于那些没有匹配成功的分布，均值和方差不作任何处理。

知道了怎么新建和更新每个像素的混合高斯模型，接下来就是背景的评估。

论文中又提到：可以考虑以下两种情况：1.当保持静止的背景突然出现新物体时，对于该区域的某一像素要么会导致新的但是权值低的高斯分布的产生，要么会导致已存在的分布的方差的变化；2.保持移动物体的像素的方差会比背景像素的方差大，直到移动停止。

基于此，某个像素的高斯分布会以ω/σ的值进行排序，当分布权值增大或者分布方差减小时该值都会增大。K个分布按照这个值从大到小进行排序保证了最有可能是背景的分布在最上面而最没可能的在最后，最终会被新的分布所取代。

之后，前B个分布就被选择成为背景模型，B的定义如下：

T指的是背景模型所占用的最小比例，可见，当T较小的时候，实际上近似于单一高斯模型，而T较大时每个像素都可以接受多个区间的像素值。

通过上面一整套体系，我们就能很好的区分出背景和前景。

以上就是混合高斯模型的大致思路，其实也就是对论文的一点翻译，前面还有一堆没看懂。。惭愧。如果大家有什么意见希望能多教教在下。