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:
- 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
- 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
- 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
- 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
- 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
- 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
- 选前N个模式作为背景