算法基本思想

用GMM對背景建模的基本思想是把每一個像素點所呈現的顏色用K個高斯分布的疊加來表示，通常K取3-5之間。將像素點所呈現的顏色X認為是隨機變量，則在每時刻t=1,…,T所得到視頻幀圖像的像素值只是隨機變量X的采樣值（觀值）。

在進行前景檢測前，先對背景進行訓練，對每一幀圖像中每個背景采用一個混合高斯模型進行模擬，背景一旦提取出來，前景的檢測就簡單了，檢查像素是否與背景的高斯模型匹配，匹配是背景，不匹配就是前景。

所以關鍵就是混合高斯背景模型的建立。

GMM之所以能夠將前景和背景分開是基于如下兩點事實的：
(1)在長期觀測的場景中，背景占大多數時間，更多的數據是支持背景分布的
(2)即使是相對顏色一致的運動物體也會比背景產生更多變化，況且一般情況下物體都是帶有不同顏色的

算法大致這樣：

• 首先初始化預先定義的幾個高斯模型，對高斯模型中的參數進行初始化，并求出之后將要用到的參數。
• 其次，對于每一幀中的每一個像素進行處理，看其是否匹配某個模型，若匹配，則將其歸入該模型中，并對該模型根據新的像素值進行新，若不匹配，則以該像素建立一個高斯模型，初始化參數，代替原有模型中最不可能的模型。
• 最后選擇前面幾個最有可能的模型作為背景模型，為背景目標提取做鋪墊。

總結

以上是生活随笔為你收集整理的深度学习：背景建模高斯混合模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。