混合高斯模型背景建模原理

该篇文章由某大学课件整理而得，涉及公式较多，输入不便，直接截图，请见谅！

EM算法是一种迭代算法，用于含有隐含变量的概率模型参数的极大似然估计，或极大后验概率估计。

EM算法的每次迭代由两步组成：E步,求期望（expection）；M步，求极大（maximization）。

算法引入

算法距离：

  （三硬币模型）假设有3枚硬币，分别记作A，B，C。这些硬

币正面出现的概率分别是π，p和q。进行如下抛硬币实验：先抛硬

币A，根据其结果选出硬币B或硬币C,正面选硬币B，反面选硬币C；

抛选出的硬币，出现正面记作1，出现反面记作0；独立地重复n次实

验（这里，n=10）,观测结果如下：

  1,1,0,1,0,0,1,0,1,1

假设只能观测到抛硬币的结果，不能观测抛硬币的过程。问如何估

计三枚硬币正面出现的概率，即三硬币模型参数。

其中

接着令

混合高斯模型背景建模的思想是把每一个像素点所呈现的颜色用M个状态来表示，通常M取3-5之间，将每个状态用一个高斯分布来近似．将像素点所呈现的颜色用随机变量X来表示，在每个时刻T得到视频图像的像素值为随机变量X的采样值．则对于第个状态的像素的分布可表示为：

混合高斯模型的参数更新:

  在时刻t，对图像帧的每个像素值Xt和它对应的混合高斯模型进行匹配检验：

  如果像素值Xt与混合高斯模型中第k个高斯分布Gk均值的距离小于其标准差的2．5倍，则定义该高斯分布Gk与像素值Xt匹配。

  (初始化：第一帧中，第一个高斯分布的权值为1，期望为第一个像素数据．其余高斯分布权值为0，期望为0．每个高斯分布都被赋予适当的相等的初始方差．)

如果检测出该像素混合高斯模型中至少有一个高斯分量与像

素Xt匹配，那么混合高斯模型的参数更新方式如下：1）对于

不匹配的高斯分量，他们的均值和协方差矩阵保持不变；2）

对于匹配的高斯分量，他们的均值和协方差矩阵按下式更新：

如果该像素对应的混合高斯模型中，没有高斯分量与该像素Xt匹配，那么将最不可能代表背景过程的高斯分量Gj(权重最小的分量)重新赋值，即：用当前像素值Xt作为均值，并给予一个较大（比其他的高斯分量的方差都要大）的方差以及一个较小的权重（比其他的高斯分量的权重都要小）。

如果该像素对应的混合高斯模型中，没有高斯分量与该像素Xt匹配，那么将最不可能代表背景过程的高斯分量Gj(权重最小的分量)重新赋值，即：用当前像素值Xt作为均值，并给予一个较大（比其他的高斯分量的方差都要大）的方差以及一个较小的权重（比其他的高斯分量的权重都要小）。

模型改进：

1）对参数的初始化方式以及更新方式：

  首先用标准EM算法对前N帧进行学习（不参与前景建模），得到一个稳定的背景后采用固定的进行检测．

2）混合高斯模型中K的值自适应：在不同时间，不同区域K的值不同。

详细原理及公式推导详见：http://download.csdn.net/detail/u011501388/9714875