运动目标检测中阴影去除算法的研究与实现(18)

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

通过分析混合高斯模型中相应的权值和方差得出：一般来说，我们可以认为运动中物体的模型会保持较大的方差，静止的时候会比较小。在每一时间里，选择每一点的混合高斯模型中的一个或多个高斯分布作为背景模型，其它的则作为前景模型。用每一点的当前值和此点混合模型中的背景模型进行匹配，如果不匹配，则作为前景。

为了判定Xt是属于前景像素还是背景像素，首先根据每个模型的ω/σ值来给模型排序，比值越大，表示具有较大的ω和较小的σ，因此排序越前的高斯分布，越能描述背景模型。所以，我们选择排在前面的N个高斯代表背景模型，作为背景模型的估计，如下式：

N argminn( k T) （3.14）

k 1n

其中，T为预先定义的阈值，它表示背景的分布权值的和在整体中所占的最小比例，一般根据经验可取T=0.3。N是能达到这一比例的“最好”的高斯分布的数量，即前面N个最可能的分布。如果T值设置的比较小，那么背景就变成了单模的，就是个单个高斯分布的背景模型，用最可能的那个分布表示背景可以节省计算量。如果T值取的比较大，那么混合模型就可以容纳重复运动的背景导致的多种背景颜色。

MoG算法对多模态背景有良好的适应能力，能够准确地判断出高频振动的背景，并且具有极强的鲁棒性。该算法的特点是每个高斯分布不仅带有权值，而且具有优先级，像素点与某个高斯模型相匹配后，就将该匹配的高斯分布的参数进行更新，权值进行提高，而其它高斯分布的权值则相应地降低，每次对参数与权值进行更新之后，对每个高斯分布再重新计算优先级和进行排序。