运动目标检测中阴影去除算法的研究与实现(17)

毕业设计论文 运动目标检测中阴影去除算法的研究与实现

果有某个高斯分布ηk与它匹配，则用当前值Xt去更新这个ηk的各项参数；如果没有任何一项分布ηk与它匹配，就用一个代表当前值Xt的新的分布去代替现有混合高斯分布中的一个分布项。

(1) 如果Xt服从某个高斯分布，则用当前值Xt去更新这个高斯分布ηk的均值μ、方差σ和权值ωk,t。

匹配的方法是把高斯分布ηk按权值与方差之比ω/σ从大到小排列，然后选择Xt与均值μj,t-1,k足够接近的第一个高斯分布作为匹配的高斯分布，即Xt满足下列判别式：

M (|Xt j,t 1| ) （3.9）

其中，一般情况下λ取为2.5，上式表示Xt服从第j个高斯分布(1＜j＜K)。然后按以下等式对该高斯分布ηk的均值μ、方差σ和权值ωk,t进行更新：

k,j (1 ) k,j 1 (Mk,j) （3.10）

t (1 ) t 1 Xt （3.11）

t2 (1 ) t2 1 (Xt t)T(Xt t) （3.12）

(Xt| k, k) （3.13）

其中，α为模型分布学习速率，0≤α≤1。对于匹配的模型Mk,j=1，其余的模型（不匹配的分布）为0。经过更新后，权值的总和保持不变，仍然为1。1/α为表示变化快慢的时间常数，α越小，权值更新的越慢，时间常数越大；α越大，权值更新的越快，时间常数越小，混合高斯模型中主高斯分布对背景适应性越好，更有利于背景模型的更新，但对于内部颜色比较一致的运动目标，则目标的运动方向后半部分容易检测为背景（因为前半部分可能已经更新为背景了），这样就造成了目标的漏检。β为调整当前分布的学习速率，当前值匹配分布的程度越好，β越大，参数调整（学习）的越快，但β太大的话也会引起前面目标漏检。

(2) 如果在K个分布中没有找到与当前像素匹配的高斯分布，那么可能性最小的高斯分布将被新的高斯分布所替代。新的高斯分布的均值为当前的像素值Xt，具有较大的方差和较小的权值。

这种方法的一个显著优点：当某些值被归为到背景时，现存的背景模型并没有被破坏，原来的背景颜色一直存在于混合模型中直到被新的背景颜色所取代。因此，当一个物体刚刚静止下来后一段足够长的时间内使其被归为到背景中就开始运动，由于描述以前背景的分布仍然存在于混合模型中，只是可能性较低，这样的话，以前的背景就会很快就能恢复回来。

3.3.3 运动目标的检测与提取

由于有噪声的影响，背景图像库中某些图像的有些像素点并不能真正地代表背景，用这类像素建立的高斯分布模型是应该被去除。场景中像素值是属于前景还是属于背景可以