动目标检测算法——高斯混合背景建模

混合高斯背景建模是基于像素样本统计信息的背景表示方法，利用像素在较长时间内大量样本值的概率密度等统计信息(如模式数量、每个模式的均值和标准差)表示背景，然后使用统计差分(如3σ原则)进行目标像素判断，可以对复杂动态背景进行建模，计算量较大。

在混合高斯背景模型中，认为像素之间的颜色信息互不相关，对各像素点的处理都是相互独立的。对于视频图像中的每一个像素点，其值在序列图像中的变化可看作是不断产生像素值的随机过程，即用高斯分布来描述每个像素点的颜色呈现规律【单模态(单峰)，多模态(多峰)】。

对于多峰高斯分布模型，图像的每一个像素点按不同权值的多个高斯分布的叠加来建模，每种高斯分布对应一个可能产生像素点所呈现颜色的状态，各个高斯分布的权值和分布参数随时间更新。当处理彩色图像时，假定图像像素点R、G、B三色通道相互独立并具有相同的方差。对于随机变量X的观测数据集{x1,x2,…,xN}，xt=(rt,gt,bt)为t时刻像素的样本，则单个采样点xt其服从的混合高斯分布概率密度函数。
主要计算流程如下：

1. 每个新像素值 同当前K个模型进行比较，直到找到匹配新像素值高斯的分布模型，即该模型的均值偏差在方差范围内
2. 如果所匹配的高斯模型符合背景要求，则该像素属于背景，否则属于前景
3. 各高斯模型权值进行更新，以一定的学习速率，对于匹配的高斯模型权值会增加，未匹配的模型权值会减小， 然后各模型的权值进行归一化
4. 未匹配模型的均值与标准差不变，匹配的模型更新均值、标准差
5. 如果第1步中没有任何模型匹配，则权重最小的模型被替换，即该模型的均值为当前像素值，标准差为初始较大值，权重为较小值
6. 各模式根据权重与标准差按降序排列，权重大、标准差小的模式排列靠前
7. 选前N个模式作为背景