取只是单一的第一帧图像,因此,面对背景晃动的情况处理会出现晃动的背景。效果见图 2。同时,这种方法对于视频的选取有一定的要求,关键在于,视频的第一帧图像中,没有目标物的出现,若是第一帧出现目标物,由于第一帧图像为背景,目图1单一背景差分效果图( 1) 图2单一背景差分效果图( 2) 9 标物便会被当成背景,之后的图像目标物移动或者不在图像范围内的时候,第一帧图像目标的位置便会成为新的目标被检测出来。效果见图 3。正是由于单一背景差分的方法出现的问题很明显,因此出现了背景更新的方法,随着视频的播放,背景不断的更新,最主流的方法就是混合高斯模型提取背景来检测目标的方法。 3.2.2 高斯模型提取背景检测目标法高斯模型的主要原理就是用高斯概率密度函数也就是通常说的正态分布曲线来表示一个像素点,而背景图像的特定像素分布满足高斯分布。也就是说,背景模型每个像素点的组成部分中都有两个参数,即均值 u和方差 d。[14] 而更新均值的步骤就是通过旧的均值图像和新一帧的图像,通过权值也就是学习率 a来进行相加,公式为: ……………………………………(1) 其中 t为帧数, a为学习率, i为当前帧的图像。得到了均值图像之后,与新图像进行运算,将大于阈值的判定为背景,反之为前景目标,公式为: …………………………………………………………(2) 其中 T即为阈值。而混合高斯模型就是用 K个(一般为 3-5 )高斯模型来表示图像的各个像素点的均值特征。[15] 高斯模型是现在主流的一种背景差分的方法,重点在于背景的提取,见下图。图3单一背景差分效果图( 3) 10 可以看到,在背景提取的时候,混合高斯模型对于噪声的影响还是很大的, 但是,随着视频播放,背景不停的更新噪声点也会不断变少,效果见下图。图6混合高斯模型背景差分效果( 1) 图4混合高斯模型背景图( 1) 图5混合高斯模型背景图( 2)
全文预览
