目录大纲
理论架构
基础梗概
1.混合高斯模型
2. L-K光流估计方法的基本原理。
代码实践
高斯混合模型
背景分割,图像标记
l-k光流估计
理论架构
基础知识汇总篇:
https://blog.csdn.net/weixin_42237113/article/details/104500993
API详解:
https://blog.csdn.net/weixin_42237113/article/details/104488809
基础梗概
1.混合高斯模型
混合高斯模型
是一种参数化的概率统计方法,该模型将背景、背景内的小幅度运动以及阴影等的混合信号表示成混合高斯概率统计模型,为不同的状态建立不同的高斯模型,采用最大似然概率来实现背景建模,并利用学习因子实时地更新背景高斯模型,适用于动态背景下的运动检测。
背景建模是通过帧差法对运动目标进行检测,即,利用前后时刻两帧的差值来判断是否是背景或者前景(目标)。适用于摄像头和背景不变,目标运动的检测。图像的帧差法的结果,可认为是用多种混合高斯函数统计的。并且
I(x,y,t) - u > 3sigma,即特定位置的前后图像的变化过大,则为前景;
否则,则为背景。
通过混合高斯模型相关理论,可以进行背景建模,进行目标运动侦测。
相关混合高斯背景建模步骤如下:
模型初始化 将采到的第一帧图像的每个象素的灰度值作为 均值,再赋以较大的方差。初值 Q =1, w=1.0。 l
模型学习 将当前帧的对应点象素的灰度值与已有的 Q 个高 斯模型作比较,若满足 |x - u|<2.5sigma ,则按上页方式调 整第q个高斯模型的参数和权重;否则转入(3):
增加/替换高斯分量 若不满足条件,且 q < Q ,则增加一个 新分量;若q=Q,则替换
判断背景 B = argmini(sum 1_b(w) > T)
判断前景
2. L-K光流估计方法的基本原理。
光流(Optical flow or optic flow)是关于视域中的物体运动检测中的概念。用来描述相对于观察者的运动所造成的观测目标、表面或边缘的运动。光流法在样型识别、计算机视觉以及其他影像处理领域中非常有用,可用于运动检测、物件切割、碰撞时间与物体膨胀的计算、运动补偿编码,或者通过物体表面与边缘进行立体的测量等等。
光流估计有3个前提假设:
有三个前提假设条件:
(1) 亮度恒定:一个像素点随着时间的变化,其亮度值(像素灰度值)是恒定不变的。这是光流法的基本设定。所有光流法都必须满足。(也就是说,一个物体当前的像素灰度值是恒定的,不改变的,光照不改变的情况下来进行)
(2) 小运动: 时间的变化不会引起位置的剧烈变化。这样才能利用相邻帧之间的位置变化引起的灰度值变化,