混合高斯背景建模方法运动目标检测算法的研究与实现
基于改进混合高斯模型的运动目标检测算法
频做进一步处理（ 编码、 目 标跟踪、目标分类、 目标行为 理解等） 的基础。运动 目标检测方法主要有光流计算法、
帧间差分 法和 背景 减除法 ３ ， 中，背景减 除法 是 目前 种 其 研 究最 多、 用最广 泛 的方法 。 应 文献 ［ 提 出的 自适应 混合 １ ］
ＤＯＩ １ ． ６ ／ｉ ｎ１０ —４ ８ ０２１ ． ５ ： Ｏ３ ９ｊｓ ．０ ０３ ２ ． １ ．８０ ９ ．ｓ ２ ４
１ 概 述
运 动 目 检测 是视频 图像分 析 的重 要部 分 ， 是对视 标 也
和空 间上对像 素进行 建模 ， 减少 了环境 的干 扰 ， 强 了混 增
合高斯模型的自适应性。 然而， 这些方法对运动速度变化
型的 目 标检测算法 。引入背景学 习参数 ，结合前一帧 的检测结果 自适应地更新背景 ， 从而提取完整 的运动 目标 。利用像素 的八连通 区域信 息抑制噪声 ， 提高算法在复杂环境中的稳定性 。实验结果表 明，与传统检测方法相 比，该算法能够在复杂环境中准确地 检测 出短暂停滞 的
运 动 目标 。
ａｅ ｓｕｉｉｅ ｏ ｓ ｐ ｒｓ ｏｓ ｓａ ｄ ｉ ｒ ｖ ｔ ｔｂｉｔ ｎ ｔｅ ｃ ｍｐｅ ｎｖｒｎ ｅ ｔ ｅ ｅａ ｘ ｅ ｉ ｎ ｓａ ｅ ｉ ｐｅ ｅ ｔｄ ａ ｄ ｔ ｅ ｕｔ ｒａ ｉ ｔｌ ｄ ｔ ｕ ｐ ｅｓ ｎ ｉｅ ｚ ｎ ｍｐ ｏ ｅ ｉ ｓ ｓ ａ ｌｙ ｉ ｈ ｏ ｌｘ ｅ ｉｏ ｍ ｎ ．Ｓ ｖ ｒ ｌｅ ｐ ｒｍｅ ｔ ｒ ｍ ｌｍ ｎｅ ｉ ｎ ｈｅｒ ｓ ｌ ｓ
ＳＵＮ ｉｇａ ，ＬＩＨ ｏ Ｙ － ｎｇ ｎｇ， ＺＨ ＡＮ Ｇ ｏ Ｈ ｎｇ— ｉ ｙ ｎｇ
基于自适应混合高斯模型背景提取的研究
基于自适应混合高斯模型背景提取的研究[摘要]运动目标检测的主要方法有相邻帧差法与背景减法，在背景减法中，准确的提取背景是运动目标检测的核心任务之一。
背景提取的主要方法有均值法、中值法、mode算法[1]以及基于单高斯模型与混合高斯模型的背景提取方法，前四种方法的求解过程比较简单，但对于复杂多变的背景，提取的准确性较差.对此本文提出了一种基于自适应混合高斯模型的背景提取的算法，实验结果验证了算法的实用性与有效性。
[关键词]背景提取；混合高斯模型；目标检测中图分类号：tp391.41文献标识码：a文章编号：1009-914x（2013）21-0066-021.引言在视频监控技术中，运动目标的有效检测、提取已成为关键，并且是进行目标跟踪、识别等后续处理的基础[2]。
运动目标检测的方法主要有相邻帧差法与背景减法，相邻帧差法检测速度快、对光照不敏感，应对环境变化的能力较强，但不能检测静止或者运动速度慢的物体，容易产生空洞[3]，背景减法相对能完整的分割出运动目标。
背景图像减法一般先获取场景一帧的参考图像，然后实时拍摄的一帧新图像与之相减，在对差图像取阈值，最后得到一副从固定背景中分割出来的二值化图像。
景图像减法中会遇到几个关键性的问题，一是如何建立背景模型和实时更新模型参数以适应背景变化；二是这些背景变化包括：场景的光照变化、场景构成的改变、如阳光强弱和方向的改变、照明灯具的开关、背景中物体的微小移动、人或其他物体进入或移除场景等等。
这些外在环境的时时改变，都会影响运动目标检测的准确性。
为解决现存在的各种问题，本文提出一种基于自适应混合高斯模型背景提取的方法。
2.单高斯分布背景模型对一个背景图像，特定像素亮度的分布满足高斯分布，即对背景图像b（x，y）点的亮度满足： b（x，y）～n（u，d），这样我们的背景模型的每个象素属性包括两个参数：平均值 u和方差d。
5.实验结果分析为了充分验证算法的效果，本文使用在校园里所拍摄的一段视频进行目标检测实验，在文章所测试的400幅图像中，绝大部分都能很好的检测出运动目标，下图为一组例子基于单高斯与自适应混合高斯模型对目标检测的效果。
高斯混合模型目标检测流程
下载温馨提示:该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。
文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by theeditor.I hope that after you download them,they can help yousolve practical problems. The document can be customized andmodified after downloading,please adjust and use it according toactual needs, thank you!In addition, our shop provides you with various types ofpractical materials,such as educational essays, diaryappreciation,sentence excerpts,ancient poems,classic articles,topic composition,work summary,word parsing,copy excerpts,other materials and so on,want to know different data formats andwriting methods,please pay attention！高斯混合模型目标检测流程目标检测是计算机视觉领域中的重要任务，它旨在从图像或视频中准确地识别和定位感兴趣的目标物体。
基于高斯混合模型的背景建模球员检测算法
测效果的负面影响。
动态场 景下运动 目标检测 的关键 问题是如何 建立背景
模 型 和 实 时 更 新模 型参 数 以适 应 背 景 变 化 。 目前 ， 经 提 出 已
１ 引 言
体育视频 中， 球员 的检测作 为整个 体育视频分 析系统的
底层 ， 目标 是尽 可能精确地从视频 图像 序列 中将球 员区域提 取 出来 。运动员检测 效果 对后续 的跟 踪、 别 、 战术 分析 识 及 等影 响巨大 。然而 ， 由于体育视 频背 景 图像 的频 繁变化 ， 如
ｓａ ｅ Ａｃ ｏ ｄｎｇ ｔ ｈ ｐ ｃ ａ ｒａ，ｔ ｅ Ｇａ ｓＭ ｉｔ ｒ ｄｅｓａ ｅ ｕ ｄａｅ ｔ ｆｅｅ ｔｒｔ ｓ Ｆ ｎ ｌ ｔｇ ． ｃ ｒ ｉ ｏ ｔ ｅ ｓ ｅ ｉｌａｅ ｈ ｕｓ ｘ ｕ ｅ Ｍｏ ｌ ｒ ｐ ｔ ｄ ｗｉｈ ｄｉ ｒ ｎ ａｅ ． ｉ ａｌ ｙ，ｂ ｃ ｇ ｏ ｎ ａ ｋ ｒｕ ｄ
第２卷 第９ ７ 期
文章编号 ：０ ６— ３ ８ ２ １ ） ９— ２ ８—０ １０ ９ ４ （０ ０ ０ ０ ５ ５
计
算机仿源自真 ２１年９ ０ ０ 月
基 高 混 合模 型 的 背景 建模 球 员检 测 算 法 于 斯
阁 刚 ， 国栋 ， 崔 于 明
（ 河北 工 业 大 学 计 算 机 科 学 与 软件 学 院 ， 津 ３０ ３ ） 天 ０ １０ 摘 要 ： 研 究 体 育视 频 的 问题 中 ， 对 现 有 的 运 动 目标 检 测 方 法 在 体 育 视频 中易 受 场 景 变 化 的影 响不 能 准 确 检 测 出 运 动 员 ， 在 针
中 图分 类 号 ：Ｐ ９ Ｔ ３１ 文献 标 识 码 ： Ｂ
Ｐｌｙ ｒ Ｄｅ ｅ ｔｏ ｇ ｒｔ ｍ ｓ ｄ ｎ Ｇ ａ ｓａ ａ ｅ ｔ ｃｉ ｎ Ａｌ ｏ ｉｈ Ｂａ ｅ ｏ ｕｓｉ ｎ
改进的基于高斯混合模型的运动目标检测算法
ｒ ｌ ａ ｄ ｅ ｕ ｅ ｎ ｎ ｗ Ｇａ ｓ ｉｎ ｉｔｉ ｕ ｉ ｎ ｅ ｅ ａ ｉ ｎ ｕ ｅ ｕ ｉ ｇ ｈ ｍｏ ｅ ｕ ｄ ｔ ． ｈ ｅ ｐ ｒ ｅ ｔ ｌ ｅ ｕ ｔ ｄ ｍｏ ｓ ａｅ ｈ ｉ ｕ ｓａ ｄ ｓｒ ｔ ｇ ｎ ｒ ｔ ｒ ｌ ｄ ｒｎ ｔ ｅ ｂ ｏ ｏ ｄ ｌ ｐ ａ ｅＴ ｅ ｘ ｅ ｉ ｎ ａ ｒ ｓ ｌ ｍ ｓ ｅ ｎ ｔ ｔ ｔ ｅ ｍ－ ｒ
Ｌ ｎ ， ＨＡＯ Ｘｕ ｊｅ ｍｐ ｏ ｅ ｖｎ ｂｅｔ ｄ ｔｃｉｎ ａｇ ｒ ｈ ｂ ｓｄ ｏ ｕ ｓ ｎ ｍｉｔｒ ｄ １ ｍｐ ｔｒＥ ｇ－ ＩＭｉｇ Ｚ ｎｉ Ｉ ｒｖｄ ｍｏ ｉｇ ｏ ｊｃｓ ｅｅｔ ｌｏ ｉ ｍ ａｅ ｎ Ｇａ ｓｉ ｘｕ ｅ ｍｏ ｅＣｏ ｕｅ ｎ ｉ ． ｏ ｔ ａ ．
ｎ ｅｉ ｇ ａ ｄ Ａｐ ｌ ａｉｎ ， ０ １ ４ （ ） ２ ４ ２ ６ ｅ ｒｎ ｎ ｐｉ ｔ ｓ ２ １ ， ７ ８ ： ０ —０ ． ｃ ｏ
Ａｂｔａ ｔ ｎ ａ ｖｄｏ ｓｒｅｌｎ ｅ ｓｓ ｍ ｔ ｔｔ ａ ｒｓｔｅｍｏ ｉ ｂｅｔ’ｒｓｎｅ ｄ ｒ ｇ ｔｅ ｉｉａｉ ｔ ｎ ｔ ｈ ｒ－ ｓ ｃ：Ｉ ｉｅ ｕｖ ｉａ ｃ ｙｔ ｗｉ ｓ ｉ ｃｍｅａ， ｖｎ ｏ ｊｃｓｐｅｅｃ ｕｉ ｈ ｎｔ ｌ ａｉ ｏ ｔｅｔ ｒ ｌ ｅ ｈ ａｃ ｈ ｇ ｎ ｉｚ ｏ ａ ｄｔ ｎ ｌｍｏ ｉｇ ｏｊｃ ｅｅｔ ｎ ａ ｏ ｔｍ ａｅ ｎ Ｇａｓｉ ｘｕｅ ｍｏ ｅ ｏ ｅ ｅｕ ｓ ｉ ｔｅ ｌｗ ｃｎ ｅｇｎ ｅ ｓｅｄＴ ｉｏ ａ ｉ ｖｎ ｂｅｔ ｄｔｃ ｏ ｌ ｒｈ ｂｓｄ ｏ ｕ ｓ ｎ ｍｉｔｒ ｄｌ ｆ ｎ ｒｓｌ ｎ ｈ ｏ ｏ ｖ ｒｅ ｃ ｐｅ ．ｏ ｓ ｉ ｇｉ ａ ｔ ｔ
ｉ ｃ ｅ ｓ ｔ ｅ ｎ ｒ ａ ｅ ｈ ｍｏ ｅ ｃ ｎ ｅ ｇ ｎ ｅ ｓ ｅ ｄ， ｎ ｍｐ ｏ ｅ ｄ ｔ ｃｉ ｎ ｌ ｏ ｉ ｍ ｉ ｐ ｅ ｅ ｔ ｄＴｈ ｉ ｒ ｖ ｄ ｄ ｌ ｏ ｖ ｒ ｅ ｃ ｐ ｅ ａ ｉ ｒ ｖ ｄ ｅ ｅ ｔ ａ ｇ ｒ ｈ ｏ ｔ ｓ ｒ ｓ ｎ ｅ ． ｅ ｍｐ ｏ ｅ ｍｅ ｏ Ｕ ｅ ｏ —ｉ ｅ ｈ ｔ ｄ ＳＳ ｎｌ ｎ Ｋ－ ａ ｓ ｃ ｕ ｔｒｎ ａｇ ｒｔ ｍ ｏ ｉ ｉ ａ ｉｅ ｈ ｍｅ ｎ ｌ ｓｅ ｉ ｇ ｌ ｏ ｉ ｈ ｔ ｎ ｔ ｌ ｔ ｅ ｍｏ ｅ ． ｌｏ ａ ｅ ｅ ｍｅ ｏ ｙ ｐ ｃ ｗｉ ｈ ｍｐ ｏ ｅ ｎ ｏ ｈ ｔｈ ｎ ｉ ｚ ｄ １ ｔ ａ ｓ ｓ ｖ ｓ ｔ ｍ ｒ ｓ ａ ｅ Ｉ ｈ ｔ ｔ ｅ ｉ ｒ ｖ ｍｅ ｔ ｔ ｔ ｅ ｍａｃ ｉ ｇ ｈ
混合高斯模型算法原理
混合高斯模型算法原理混合高斯模型是一种经典的背景建模算法，用于背景相对稳定情况下的运动目标检测。
它由单高斯模型发展而来，对于多模态的背景有一定的鲁棒性，如：树叶晃动、水纹波动等。
在介绍混合高斯模型前，首先介绍单高斯模型。
1. 单高斯背景模型：单高斯模型将图像中每一个像素点的颜色值看成是一个随机过程，并假设该点的像素值出现的概率服从高斯分布。
该算法的基本原理就是对每一个像素位置建立一个高斯模型，模型中保存该处像素的均值和方差。
如，可设),(y x 处像素的均值为),(y x u ，方差为),(2y x σ，标准差为),(y x σ。
由于随着视频图像序列的输入，模型参数不断更新，所以不同时刻模型参数有不同的值，故可将模型参数表示为三个变量t y x ,,的函数：均值),,(t y x u 、方差),,(2t y x σ、标准差),,(t y x σ。
用单高斯模型进行运动检测的基本过程包括：模型的初始化、更新参数并检测两个步骤。
1）模型初始化模型的初始化即对每个像素位置上对应的高斯模型参数进行初始化，初始化采用如下公式完成：⎪⎩⎪⎨⎧===init std y x init std y x y x I y x u _)0,,(_)0,,()0,,()0,,(22σσ （1）其中，)0,,(y x I 表示视频图像序列中的第一张图像),(y x 位置处的像素值，init std _为一个自己设的常数，如可设20_=init std 。
2）更新参数并检测每读入一张新的图片，判断新图片中对应点像素是否在高斯模型描述的范围中，如是，则判断该点处为背景，否则，判断该点处为前景。
假设前景检测的结果图为output ，其中在t 时刻),(y x 位置处的像素值表示为),,(t y x output ，),,(t y x output 的计算公式如下：⎩⎨⎧-⨯<--=otherwise t y x t y x u t y x I t y x output ,1)1,,()1,,(),,(,0),,(σλ （2）其中，λ是自己设的一个常数，如可设5.2=λ。
试描述基于高斯混合模型背景建模的步骤
试描述基于高斯混合模型背景建模的步骤背景建模是计算机视觉领域中的一个重要问题，它被广泛应用于目标检测、跟踪、视频分析等领域。
背景建模的目的是从输入的视频序列中估计出场景的背景模型，以便于检测出场景中的前景目标。
在背景建模中，高斯混合模型（Gaussian Mixture Model，GMM）是一种常见的背景建模方法。
基于高斯混合模型背景建模的步骤主要包括以下几个方面：1. 数据预处理在进行背景建模之前，需要对输入的视频数据进行预处理。
预处理的主要目的是去除图像中的噪声和不利于背景建模的影响因素，例如光照条件的变化、相机的移动等。
预处理的方法包括平滑滤波、图像增强、运动补偿等。
2. 模型初始化在建立GMM模型之前，需要对模型进行初始化。
初始化的目的是确定每个高斯分量的初始参数，包括均值、方差和权重。
通常情况下，可以使用先验知识或者简单的聚类算法来初始化模型。
3. 建立GMM模型建立GMM模型是背景建模的核心部分。
在该步骤中，需要使用EM算法来估计高斯混合模型的参数。
EM算法是一种迭代算法，它通过交替进行两个步骤来求解问题，即E步骤和M步骤。
在E步骤中，计算每个像素的后验概率，即该像素属于每个高斯分量的概率；在M步骤中，使用最大似然估计法更新高斯分量的参数。
迭代过程会一直进行，直到收敛为止。
4. 背景模型更新背景模型的更新是指随着时间的推移，背景模型需要不断地进行更新以适应场景的变化。
在模型更新的过程中，需要考虑到前景目标的影响，以避免将前景目标误判为背景。
在更新模型时，可以采用加权平均法、自适应学习率法等方法。
5. 前景检测在背景模型建立完成后，可以通过前景检测来识别场景中的前景目标。
前景检测的方法包括阈值法、基于形态学的方法、基于连通性的方法等。
通过前景检测，可以得到场景中的前景目标的位置信息和形状信息。
基于高斯混合模型的背景建模是一种常见的背景建模方法。
它通过建立高斯混合模型来估计场景的背景模型，从而实现前景目标的检测和跟踪。
视频中运动目标检测算法研究及实现
Ｂ＝ａｇｍｉｂ （ ） ｒ ｎ（ ＿ ） Ｔ
则认为前 Ｂ个分布是背景分 布， 其余 为前景分布 。其 中
Ｔ为预 定的阈值 。背景分布 确定之 后 ， 当前输入 的图像与 将 背 景模型相 比较 ，若 当前 像素值Ｘ 和 每个背景 高斯分布满
足：
ＰＸ） （ ｉ Ｘ，Ｉｌ ， （ ｔ＝ （。 ｔＪｌ １ Ｄ川（ Ｉ ， ） ， ｉ
ｉ １ ＝
就认 为当前像素为前景 ， 即运动物 体。这样就将运动 目
标从背景 中检测 出来 。
分布 的权值 ； 和 盯 。 分别表 示第 ｉ 个高斯分布 的均值和方
差： 表示概率密度函数 。
３ ．计算机视觉类库 ０ ｅ Ｃ ｐ ｎ Ｖ简介 开 放 源 代 码 的 计 算 机 视 觉 类 库 ０ ｅＣ （ ｔ ｐ ｎ ｐ ｎ Ｖ Ｉ ｅ Ｏ ｅ ｎｌ Ｓ ｕｃ ｏ ｕｅ ｓ ｎＬｂａ ） ｏｒｅＣ ｍｐ ｔ Ｖｉｏ ｉ ｒ 由英特尔 公司位 于俄罗斯 的 ｒ ｉ ｒｙ 研究 实验 室所 开发 ， 它是～套 可免费获得 的、 由一 些 Ｃ函数 和 ｃ ＋类所组成 的库 ， ＋ 用来实现一些 常用 的图像处理及计算
Ｏ ｅＣ ｐ ｎ Ｖ设计 一些基本数据类型 ， 基本的数据类型包 括 ：
定 。文献［】 到混合高斯模型 ， ２中提 而且有 文献［】４发展为 ３［ 】 目 前常用 的表 现形式 。 本 文给 出了 自适应 高斯模 型建模 ， 由多个高斯 分布组
成 ， 以在包 括运动 目标 的视 频 中 自适应地提 取背 景模型 ， 可 对背景模 型的描述更加准确 。 最终通过 Ｏ ｅ Ｃ 实现 对 目标 ｐｎ Ｖ
混合 高斯模型 的参 数更新后 ， 将组成混合 高斯模型 的 Ｋ
个 高斯分布按 ｔ 由大到小排列 ， 最有 可能描述稳 定背景过 （ｉ Ｉ
改进混合高斯模型的运动目标检测算法
改进混合高斯模型的运动目标检测算法华媛蕾;刘万军【摘要】针对传统的混合高斯模型存在无法完整检测运动目标、易将背景显露区检测为前景等问题,提出了一种基于混合高斯模型的运动目标检测的改进算法.通过将混合高斯模型与改进帧差法进行融合,快速区分出背景显露区和运动目标区,从而提取出完整的运动目标.在运动目标由静止缓慢转为运动的情况下,为背景显露区给予较大背景更新速率,消除了背景显露区对运动目标检测的影响.在兼顾混合高斯模型在复杂场景中对噪声处理效果差的基础上,利用背景模型替换的方法来提高算法的稳定性.经过反复实验,结果表明改进后的算法在自适应性、正确率、实时性、实用性等方面有了很大的改进,能够在各种复杂因素存在的情况下正确有效地对运动目标进行检测.【期刊名称】《计算机应用》【年(卷),期】2014(034)002【总页数】5页(P580-584)【关键词】混合高斯模型;运动目标检测;帧差法;背景显露区;背景更新速率【作者】华媛蕾;刘万军【作者单位】辽宁工程技术大学软件学院,辽宁葫芦岛125105;辽宁工程技术大学软件学院,辽宁葫芦岛125105【正文语种】中文【中图分类】TP391随着社会经济的发展和城市化进程的加快，日益增长的交通容量的需求已经对现有的交通能力及管理设备造成了巨大压力。
基于视频的车流量检测系统是智能交通系统的重要环节，运动目标检测与提取成为了基本的热点问题。
随着计算机技术和图像处理技术的发展，基于视频采集和监控的智能交通系统会得到更大的发展，成为未来的发展方向。
对这方面的研究也将具有更大的价值[1]。
运动目标检测是从视频序列中检测和识别出运动目标的关键技术。
目前常用的基于视频的运动目标检测方法有光流法[2]、背景差法[3-6]、帧差法[7]以及统计模型法[8-9]等。
目前，最常用的、研究最多的方法是基于统计模型的目标检测方法。
本文以混合高斯模型为基础进行研究。
混合高斯背景模型最早由文献[10]提出，很好地描述了复杂的背景，在视频监控领域发挥了很大的优势；文献[11]提出了混合高斯背景模型与三帧差法结合的运动目标检测方法，并通过面积法对检测结果进行分析；文献[12]通过在颜色和空间上对像素点进行建模，使混合高斯背景模型的自适应性有了明显的改善，降低了环境的干扰；文献[13]通过为每个像素引入参考量来提高背景模型的自适应性。
基于改进混合高斯模型的运动目标检测
基于改进混合高斯模型的运动目标检测作者：黄会敏杨松林陈燚玲来源：《数字化用户》2013年第20期【摘要】背景建模是运动目标图像检测算法中的一项技术，本文对背景建模中的经典混合高斯算法进行了学习研究，针对混合高斯模型在复杂场景中的适应性问题，本文提出了一种改进的混合高斯背景模型。
该模型通过建立一种自适应的参数更新方法，使得混合高斯的参数更新能够随着环境的变化自适应调整，从而提高算法的适应能力。
最后，通过编程仿真，验证了算法的有效性。
【关键词】背景建模混合高斯模型更新方程【Abstract】Background modeling is a technology of the moving target image detecting algorithm，and in this paper，the authors made research to the Classical Gaussian Mixture algorithm in Background modeling. As for the adaptability of Gaussian Mixture Model in complex scene， an improved Gaussian Mixture Model is put forward in this paper. The new model makes the parameters of the Gaussian Mixture updated with change of the environment adaptively by establishing an adaptive parameter updating method， thus， improving the adaptability of the algorithm. Finally，verif the effectiveness of the algorithm through the programming simulation.【Keywords】Background Modeling； Gaussian Mixture Model； Update Equation一、引言随着科技的进步智能视频监控被越来越多的被应用到交通、高危险区域工作区、敏感水域、军事区域、工厂重点保护区和金融等领域，其中运动目标检测技术是其中一个重要研究方向。
一种改进的运动目标检测算法研究与实现
再加 上 由于 运 动物体 的出现 而 景模型， 以适 应Байду номын сангаас视 频 本 身和 光线 的变 化 ， 后 使 用 形 态 学 方 法 消 除 噪 差 会 比静 态 区域 的点 要大 ， 最
所 声和背景扰动带来 的影 响。 运动 目标跟踪 方面使用区域跟踪技术 ， 并 使 得模 型 更新 后该 单 高斯模 型 的权 值 变小 ， 以随 着权 值
关键词： 视频信息处理 混合高斯背景建模 目 标跟踪 检测 级 高 低 的排 序 后 在进 行 匹配 ，其 中 ｄｓ 为 马 氏距 离 、 ｂ ｉ ｔ ｆ Ｔ １概 述 表 示 阀值 ，ａ 为模 板 中 的方差 。 ｖｒ 在视 觉 监控 系统 等应 用领 域 中 ， 重 要研 究 内容就 是 其 如 果 当前 帧 的像 素值 与所 有 的高 斯 分布 模 型 都 不 匹
检测 与跟 踪运 动 目标。当下 我们饿 越来 越 多的 需要进行 视 配 ， 可 以判 断该点 为前景 点 ， 找到 匹配 的高 斯模 型后 ， 则 但 频信 息 智 能化 处理 ， 们 开始 将 主力 以更 多地 集 中在 怎样 还 不能就将 其判 断为背景 点。 因为背 景模 型 中还是 可 能包 人 才 能从 视频 流 中提取 运动 目标 、并 对 目标 进行 实 时跟踪 。 含 一定 的噪声和 干扰 因素 ，并 不是所 有 的高斯模 型能完 全 在 各种 运 动 目标 检 测 方 法 中使 用 的最 普 遍 的 是背 景 差 分 代表 背景 。但 由于 噪声 等干扰 因素 不会在 图像 中长时 间停 方 法 ， 是 关于 动 态 场景 的变 化 ， 光照 和 外来 无关 事 件 留在 某一位 置 ， 但 如 其相 对应 的权 值就应 该很小 。 对高斯模 型 在 的 干扰 等特 别敏 感 。本 文主 要是依 据 背景 差 分技术 ， 到 排序 的过程 中 ， 设定 一个权值 阀值 Ｔ 找 需 。如 果排序 后所得 到 了一个 更 好 的运 动 目标检 测 方法 。在 进行 背 景提 取 时 ， 运 的第 一个高 斯模 型 的权 值 大于 该 阀值 ， Ｂ 为 １ 否 则 ， 则 ， 按 用 混合 高斯 模 型 方法建 立背 景模 型 ， 对视频 中的运 动 目 顺 序累加 各高斯模 型 的权 值 ， 在 只到其权 值 大于该 阀值 ， 将 并 标 进行 检 测 时 ， 过 背景 差 分 操作 的方 法来 实现 ， 时更 该 高斯模 型序号赋 给 Ｂ 通 实 。在上 面进行 匹配成功 的模型 中 ， 如 新 背 景模 型 ， 以适 应 光 线 的变 化和 场 景 本 身 的变 化 ， 过 果 该 匹配模 型号小 于 Ｂ 值 为背景 ， 通 否则 为前景。 形态 学 运 算得 到最 终 的检 测 结果 ， 后运 用连 通 区域面 积 最 ２４ 背景 更 新 由于 场 景 中环 境 的不 断 变化 ，通 过训 ． 限制 目标 大小 的 方法进行 后 处理 ， 由于 噪声 和背 景扰 动 练 建 立好 的背 景模 型 不可 能适 应新 的背 景 的需 要 ， 因此 ， 使 产 生 的影 响不再 存在 。 当运 动 目标 确 定后 ， 用 区域跟 踪 需 要 对背景 进 行 实时 更新 ， 采 以保 证 前景 提取 的正确 性。在 技术 对 目标 进行 实 时跟踪 ， 踪 技术 中使 用 了两个 参数 以 背 景模 型更 新过 程 中 ， 跟 引入 了学 习率 ａｐ ａ 这一概 率。 当 ｌｈ 避免 运 动 目标 之 间 的遮 挡 问题 。实验结 果证 明提 出 的检 测 学 习率 取值 比较 小 ， 适 应环 境 变化 的 能力 就低 ， 要 给 其 需
基于时空的混合高斯背景建模的运动目标检测
【 摘 要】针对摄像机 固定下的复杂背景环境， 提出一种基于时空的 自适应混合高斯背景建模方法， 克服 了经典 混合高斯模型 （ Ｇ ａ ｕ ｓ ｓ ｉ ａ ｎ Ｍ ｉ ｘ ｔ ｕ ｒ ｅ Ｍ ｏ ｄ ｅ ｌ ， Ｇ Ｍ Ｍ） 中只考 虑单个 像素 的独 立性 而忽略相邻像 素 间的空间域 相关性 。首 先采用混合 高斯模 型对每个 像素在时间域上进行学习， 然后利用相邻像素的 自信息对背景及前景 目 标进行二次聚类， 以修正错误的判断。实验结果表 明， 与经典混合高斯背景算法相比， 提出的方法 目 标检测结果更加完整， 具有更强的鲁棒性和很好的应用前景。
计算机视觉是一 门研究 利用计算机 系统实现类 似人 了传统混合高斯背景模型对非平稳场景的稳健 陛。
类视觉系统理解客观世界 的 、 新兴 的、 多学科交叉 的学 科 ， 上述各 种方法 针对 Ｓ ｔ ａ ｕ ｆ ｆ ｅ ｒ 等人 提 出的经典 自适 应 涉及图像处 理 、 计算 机 图形 学、 模式 识别 和 人 了较好 的效果 。
【 Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ 】 Ａ ｔ ｅ ｍ ｐ ｏ ｒ ａ ｌ — ｓ ｐ ａ ｔ ｉ ａ ｌ ｍ ｉ ｘ ｔ ｕ ｒ ｅ Ｇ ａ ｕ ｓ ｓ ｉ ａ ｎ ｂ ａ ｃ ｋ ｇ ｒ ｏ ｕ ｎ ｄ ｍ ｏ ｄ ｅ ｌ ｉ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ｗ ｈ ｉ ｃ ｈ ｏ ｖ ｅ ｒ ｃ ｏ ｍ ｅ ｔ ｈ ｅ ｓ ｔ ａ ｎ ｄ ａ ｒ ｄ Ｇ Ｍ Ｍ ｗ ｈ ｅ ｒ ｅ ｅ ａ ｃ ｈ ｐ ｉ ｘ ｉ ｓ ｏ ｎ ｌ ｙ ｃ ｏ ｎ ｓ ｉ ｄ ｅ ｒ ｅ ｄ ｉ ｎ —
【 关键词】混合高斯模型； 空间域； 自信息； 聚类 【 中图分类号】Ｔ Ｎ ９ １ １ ． ７ ３ ； Ｔ Ｐ ３ ９ １
运动目标检测
但变化中可能有噪声 读数会有误差
温度计观测（摄氏－〉华氏）
–
两种噪声相互无关 根据连续的观测值来推算实际温度变化
KF是根据上一状态的估计值和当前状态的观测值推出 当前状态的估计值的滤波方法
–
S(t) = f ( S(t-1) , O(t) )
它是用状态方程和递推方法进行估计的，因而卡尔曼 滤波对信号的平稳性和时不变性不做要求
帧间背景校正
特征点提取 采用经典的Harris算子提取参考帧的特征点， 计算图像亮度I(x,y)在点(x,y)处的梯度： X I (1, 0,1)
T Y I (1, 0,1)
构造自相关矩阵
A X 2 w, B Y 2 w, C ( XY ) w
SAD(i, j ) I1 (m, n) I 2 (m i p, n j p) (i, j p,..... p)
m 1 n 1
M
N
step4：找出最小的SAD值，则其对应位置为 匹配特征窗，其中心点即为匹配特征点
ˆ, y ˆ y 运动到当前帧的位置 x ˆ m0 m1 x m2 x 则对应的坐标关系为： y ˆ m3m4 y m5
由于场景的动态变化，如天气、光照、阴影及 杂乱背景干扰等的影响，使得运动目标的检测 与分割变得相当困难。运动检测分为静态背景 和动态背景两类。
常用的方法有帧差法、光流法、背景减除法等。
运动目标检测的预处理
帧间背景校正——首先对相邻帧进行Байду номын сангаас局运动 估计，补偿当前帧以实现背景校正 背景建模——混合高斯模型建模
运动目标检测与跟踪算法的研究进展
运动目标检测与跟踪算法的研究进展0 引言人类感知的环境信息大多是通过视觉获得的，而在接受到的所有视觉信息中，人们又往往对动态信息更感兴趣。
随着多媒体技术的发展，人们正在接触越来越多的视频信息。
一方面，要获得较高压缩比来存储这些信息，另一方面，需要对感兴趣的区域或对象进行操作[1]。
因此对视频图像中运动目标的提取、分类识别和跟踪，已成为对运动目标的行为进行理解和描述视频图像中动态信息的主要内容。
运动目标的检测与跟踪在技术上融合了计算机视觉、视频图像处理、模式识别和自动控制等相关领域的知识[2]。
运动目标的检测与跟踪是视频技术的一个重要研究方向，其应用十分广泛。
在交通流量的监测、安全监控、军事制导、视觉导航，以及视频编码中都有涉及。
目前，运动目标的检测与跟踪已经取得了很多成果，并且不断有新技术、新算法涌现。
但是，在实际环境中，由于自然环境的复杂（光照、气候的变化等），目标的高机动性，干扰了目标检测与跟踪，造成检测不准确且跟踪效率不高。
因此，研究改进运动目标检测与跟踪算法有很现实的意义和应用价值。
1 运动目标检测常用算法运动目标检测就是从视频图像中将变化的区域从背景中提取出来，此类算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测。
静态背景下只有被监视目标在摄像机的视场内运动；而动态背景下摄像机也发生了运动，这个过程就产生了目标与背景之间复杂的相对运动，造成动态背景下的运动检测和跟踪难度很大。
目前对于动态背景下运动检测和跟踪的研究较少，因此本文暂不涉及运动背景下的运动目标检测与跟踪。
在静态背景下，运动目标检测主要算法有三种：帧间差分法、背景差分法和光流法。
下面分别对这三种算法进行分析。
1.1 帧间差分法帧间差分法[3]的基本原理就是相邻帧的图像对应像素点的灰度值相减，通过差分图像进行二值化处理以确定运动目标。
帧间差分法的主要优点是：算法实现简单，程序设计复杂度低；不存在背景的获取、更新和存储的问题；对场景中光线的变化不太敏感，实时性好。
背景建模算法研究与实现
检 测 中 的一 个 重 要 课 题 。背 景 建 模 的 主 要 目 的 是 根 据 像 素值 的 信 息 构 建 模 型 或 密 度 分 布 函数 ， 把 对 序 列 图 像 的 运 动 目标 检 测 转 化 为 将 所 有 像 素 分 为 背 景 和 前 景 两 类 ， 并 进
提 出的， 它 以 假 设 灰 度 梯 度 基 本 不 变 或 亮 度 恒 定 为 约 束 条
件 来 检 测 运 动 目标 。 Ｍｅ ｙ ｅ ｒ 等通 过 计 算 位 移 向 量 光 流 场 来
初 始 化 基 于 轮廓 的跟 踪 算 法 ， 从 而 有 效 地 提 取 和 跟 踪 运 动 目标 。 目前 ， 光 流 计 算 方 法 已不 下 数 十 种 ， 然而， 大 多 数 的 光 流计 算 方 法 相 当 复 杂 ， 而且抗 噪性 能差 ， 数据计算 量 大，
目标 ＿ １ ］ 。这 种 方 法 运 算 简 单 ， 容易实 现 ， 速 度较 快 ， 是 最 常
用 的运 动 目标 检 测 方 法 。 １ 背 景 与 背 景 建 模 １ ． １ 背 景 背 景是 相对 前 景 而 言 ， 它与前 景 是 一个 相对 的 概念 。 在一个特定 场景 中 ， 同一 个物 体在 一种 情况 下看 作 前景 ， 在 另一 种情 况 下 可 能 又被 当 作 背 景 。 以高 速 公 路 为 例 ， 如
背 景 模 型 按 照 某 种 规 则 进 行 比较 ， 根 据 比较 结 果 确 定 运 动
很好的适应性 特点 ， 适 用于 实 时性要 求 高的场 景 ， 但 是 容
易 受 噪 声 的影 响 。 光 流 法 最 早 由美 国 学 者 Ｈｏ ｍ和 Ｓ ｅ ｈ ｕ ｎ ｅ ｋ在 １ ９ ８ １年
运动目标检测
大者表示有较小的方差与较大的出现概率，说明这些点在1~t时 间段内出现的概率较大，因此这些分布可以作为背景的描述。
从由首权部重选wi取,t 和前阈B值t 个T高斯(0分,1)布决作定为：该B点t 处ar的g背m景in模(型b w，i,t时变T )参数 Bt
b
i 1
运动目标检测的方法
背景相减法 背景相减法是目前运动检测中最常用的一种方法，
帧间图像补偿
全局运动参数矩阵M代表的是背景的运动，即 摄像系统的旋转、水平和垂直偏移运动。对当 前帧的像素坐标利用M矩阵进行变换，得到新 的坐标，并将原图中像素赋给该新坐标，即可 获取补偿后的结果图像，实现对帧间背景运动 的校正。
混合高斯模型建模
假设图像中的每一点的像素观测值和其他像素
点的观测值相互独立，在某时刻t，设像素点 的观测值为 Xt ，则时刻t观测值为Xt的概率可 以用具有K个高斯分布的混合高斯模型建模：
滑函数
是高斯平
得到一个二阶实对称矩阵M=[A,C;C,B],必然存在两个特征值
代表2 自相关的主曲率。
和1
，
提取特征点
如果特征值1和2是极大值时，则点(x,y)是一个特征点。
即满足：R det(M ) k • trace2 (M ) T ，其
中，det M 1 2，traceM 1 ，2 这里T是
运动目标检测的简介 运动目标检测的预处理
帧间背景校正 混合高斯模型建模
运动目标检测的方法 卡尔曼滤波 粒子滤波
运动目标检测的简介
运动目标检测是指在序列图像中检测出变化区 域并将运动目标从背景图像中提取出来。
通常情况下，目标分类、跟踪和行为理解等后 处理过程仅仅考虑图像中对应于运动目标的像 素区域，因此运动目标的正确检测与分割对于 后期处理非常重要。
一种基于改进混合高斯背景模型的运动目标检测方法研究
中图分 类号 ：Ｐ ９ Ｔ ３１
文献标 志码 ： Ａ
文章编 号 ：０ ０— ６ ２ ２ １ ）４— ０ ２— ３ １０ ０ ８ （０ ２ ０ ０ １ ０
Ｄｅｅｔ ｎ ｏ ｖｎ ｂ ｅｔ ｂ ｓｄ ｏ ｒ ｖ ｄ Ｇａ ｓｉｎ ｍｉｔ ｒ ｄ ｌ ｔｃｉ ｆ ｏ ｍｏ ｉｇ ｏ ｊｃｓ ａ ｅ ｎｉ ｏ ｅ ｕ ｓ ｘｕ ｅｍｏ ｅ ｍｐ ａ
独 立 。用 ｋ 高斯 分布 的混 合模 型去 描述这 个 随 个 机过 程 ， 概率分 布 可表示 为 ： 则
性， 能有 效地 提取运 动 目标 ， 计算 量大 ， 但 复杂 耗时 ， 实现 较难 。背 景差分 法是 近年 来运 动 目标 检测 中运 用 最多 的方法 ， 主要 是 将 背 景 图像 与前 景 图像 灰 其
收 稿 日期 ：０ ２— ３—１ ２１ ０ ９
是一个随机过程 ， 并假设任意 ２个像素点之 间统计
与传统方法的结果进行 比较 ， 验证 了该方法 的有效
性 和鲁棒性 。
１ 背 景模 型 建 立
由于视频中任一 位置像素值 随时间变化 ， ｔ 设
时刻视 频 中像素 点 （， 的像 素值 为 ，， 可认 为 ｉ ） ｆ则
图像灰度相减来提取运动 目标 ， 但提取 的运动 目标 不完 整 。光流 法根 据运 动 目标 随 时间变 化 的光 流特
景模 型 ， 通过在 线 更新模 型 学 习率 ， 实现 背景模 型 更新 。最后 用 背景 差 分法检 测 出运动 目标 。 实验
结果表明， 与传统混合高斯模型的运动 目 标检测方法相比， 该方法有较好 的 自适应性 ， 能快速适应
场景 的变化 。 关 键词 ： 混合 高斯 ； 背景 更新 ； 目标检 测
银行智能监控管理平台中运动目标检测算法的研究
２ ０ １ ３年ＧＳＨＡ ＵＮｌ ＶＥＲＳＩ Ｔ Ｙ
银 行 智 能 监控 管理 平 台 中运 动 目标 检 测 算 法 的研 究
高 丽
（ 淮南联合大学机械与电子系 ， 安徽 淮 南 ２ ３ ２ ０ ３ ８ ）
摘 要： 以银 行 为 背景 ， 开发 设计 了一 个 多功 能 的视 频监 控 管理 平 台． 该 平 台 的 主要 组 成 部 分是 智 能 视 频 监 控 技 术 模 块 ．
阂值 ， 那么将其判定 为前景 ， 否则判 定为背景 ． 减背景法原 理简单 ， 定位准确 ， 易 Ｆ实现 ， 能够较好地提 取出 口标的特征像素 ， 不足 在于对 外 界环 境 的变 化敏 感 ， 需
要对背景不断更新 ， 否 则 难 以达 到 理 想 的 检 测 效 果 ．
２ 本平 台使 用的 目标检测 方法
有背景模型相“比较 ” ， 然后将 比较结果 二值化 ， 再用 已经设
本文以银行为背景构建了一个监控管理平台提出的基于多个高斯模型的减背景法与帧差法相结合的方法自适应性较强经测试目标检测的精确度较两种方法独立运用有了明显的提高可以用于道路监测楼宇监控机器人视觉导航安防等相关领域
即 ／砭
昂
ｚ嬲
长
沙
大
学
学
报
ＶＯ Ｉ ． ２ ７ ＮＯ． ２ Ｍａ ｒ ．２ ０ １ ３
１ ． １ 帧差法 …
检测结果没有 减背 景 的检测 结 果精 确． 所 以考虑 将 二者 结 合， 优势互补 ， 我们 采用 了 一种 基于减 背景 法和改进 的帧 养 法 相结合 的 日标检测 方法． 先 构建混 合高斯 背景模 倒 ， 然
后 减 背 景 提 取 运 动 目标 ， 再用 改进 的帧 问筹 分算 法 提取 『 １
基于高斯混合模型的运动目标检测
型对目标进行检 测袁 整 个 过 程 分 为 模 型 初 始 化尧 模
型更新尧背景估计与前景分割咱源暂 遥
员冤 模型初始化遥
对视频图像的第一帧中各个像素点的彩色向
量值进行复位操作袁创建每个对应像素的 运 个高
斯分布的平均值袁对每一个高斯分布都赋予指定的 方差渊 数值 猿园冤 并且让它们的权重都一样咱缘暂 遥
员摇 高斯混合模型建模方法
依据视频图像的灰度直方图袁可以把某一个灰 度值产生的频次 大 致 认 为 是 该 图 像 灰 度 的 高 斯 分 布遥 这些分布中袁由于背景和目标存在差异袁可以 将这些高斯分布 分 为 背 景 描 述 分 布 和 前 景 描 述 分 布遥 实际应用中摄像头捕捉到的视频图像比较复 杂袁背景中有可能 存 在 目 标 运 动 或 背 景 晃 动尧 光 照 变化等情况袁对应的图像的像素区域就会呈现出多 个峰值的特性袁可以认为此特性是几个高斯分布相 叠加共同作用的结果并将其称为高斯混合模 型咱猿暂 遥 通过当前图像与当前时刻的背景进行加权 平均从而更新背景袁如图 员 所示袁其中高斯分布的 数目常用 运 来表示袁一般是 猿 耀 苑 个遥 摇 摇 运用高斯混合模型对视频中的目标进行检测
. All Rights Reserved.
着举足轻重的地位遥 在众多目标检测算法中袁高斯 混合模型因其具 有 背 景 干 净尧 设 置 参 数 少尧 拟 合 性 好尧结 构 简 单尧 可 适 用 领 域 广 泛 等 突 出 优 点袁 在 交 通尧医疗尧通 信等 众多 领域 中被 广泛使 用咱圆暂 袁 所以 笔者选择高斯混合模型的算法检测运动目标遥
摇 摇 怎蚤袁贼 越 渊员 原 籽蚤袁贼 冤 怎蚤袁贼 原 员 垣 籽蚤袁贼 载贼
渊猿冤
滓圆 蚤袁贼
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
5
结果显示
总结
1.对视频图像的预处理过程进行简要的介绍，主要包括对视 频图像二值化、图像灰度化，以及视频图像的去噪方法，如 均值滤波、中值滤波和高斯滤波，并分别对这三种不同的滤 波方法进行比较，分析各种方法的优缺点，同时提出使用高 斯滤波方法，另外对图像进行腐蚀和膨胀处理，使图像更加 清晰美观。 2.介绍了OpenCV函数库，如何在VC++6.0下实现实验平台 的搭建，同时对混合高斯建模方法的运动目标检测原理进行 了分析，以及混合高斯模型的初始化及背景的模型的更新， 最终实现对运动目标的检测效果。
பைடு நூலகம் 1
图像的预处理
④图像的形态学处理
腐蚀（cvErode）： 图像的腐蚀就是对物体边界点进行消除，使图像的边界向内部收缩， 从而去除小于结构元素的物体。 cvErode( pFrImg,img_erode, NULL,1); 膨胀(cvDilate)： 膨胀就是对二值化物体边界点进行扩充，使得与物体接触的所有背景点 与物体本身进行合并，使图像的边界向外部扩张。 cvDilate( pFrImg,img_dilate, NULL,2) 效果图：
主要研究内容
1.图像的预处理
①图像的灰度处理 ②图像去噪 ③图像的二值化处理 ④图像的形态学处理
2.混合高斯建模方法的流程图 3.OpenCV的介绍和平台搭建 4.混合高斯建模的初始化和更新 5.结果显示
1
图像的预处理
①图像的灰度处理
图像灰度化： 图像灰度化就是对彩色图像中的彩色信息进行处理，将其变为灰度图像， 对其图像的亮度值进行量化，等分成0-255共256个级别，在OpenCV中，是 将cvCvtColor(pBkImg ,pFrImg， CV_BGR2GRAY) 函数实现，参数 CV_BGR2GRAY是RGB到GRAY, cvCvtColor(...)是OpenCV里的颜色空间 转换函数，可以实现RGB颜色向HSV,HSI等颜色空间的转换，也可以转换为 灰度图像。 效果图：
基于混合高斯背景建模方法的运 动目标检测算法研究与实现
指导老师： 张 卫 国 班 级：信计1101班 学 号：1108060122 答辩人：魏 勇
研究背景及意义
主要研究内容
总结
研究背景及意义
背景：
计算机视觉的研究是从二十世纪五十年代开始，起初的主要研究目 的是通过检测图像中的物体并获取这些物体间的关系来进行对图像的理 解。随着计算机视觉理论和算法研究的日益发展，视频图像信号在信息 处理和计算机视觉中扮演着越来越重要的角色。
平台搭建： 首先安装下载得到的OpenCV应用程序，然后在Visual C++6. 0下编译所要的静态和动态链接库文件，包括1ib路径的 设置、include files路径的填写，再进行工程项目的链接设置 就可以了。
4
混合高斯建模的初始化和更新
混合高斯模型进行背景建模时，首先需要初始化预先定义的几个高斯模 型，对高斯模型中的参数进行初始化，并通过视频序列的像素点求出像素 点的均值和方差，并通过求其权重，求出之后将要用到的参数；其次，对 每一帧中的每个像素点与高斯模型进行匹配。最后，通过高斯混合模型的 参数学习机制，求出各个高斯模型的权重与方差的比值，并对他们的优先 级按照从大到小的顺序进行排列，排在前面的作为背景模型，反之，则为 前景。在对其进行实时更新。
1
图像的预处理
③图像的二值化处理
图像的二值化处理是将图像上的点的灰度值置为0或255，而使整幅图 像呈现出较为明显的黑白效果。通过选取适当的阀值，将256个亮度等级的 灰度图像变成能够反映图像整体和局部特征的二值化图像处理的过程。 OpenCV中可以通过cvThreshold函数实现图片的二值化，手动指定一 个阈值，以此阈值来进行图像二值化处理。 cvThreshold(pFrImg,pFrImg,12,255,CV_THRESH_BINARY); 函数 cvThreshold 对单通道数组应用固定阈值操作。该函数的典型应用 是对灰度图像进行阈值操作得到二值图像。 pFrImg:前景的输入图像； pFrImg:前景的输出图像； 12：指的是阈值； 255：指的是max_value；
意义：
混合高斯背景模型以其简便、灵活、高效的特点成为该领域的经典 方法，能够很好消除背景的微小扰动对运动目标检测所产生的影响，通 过使用混合高斯背景的建模方法能够比较准确地检测出复杂环境下的运 动目标，具有较好的鲁棒性和实时性。同时对目标进行动态实时跟踪定 位在智能化交通系统、智能监控系统、军事目标检测及医学导航手术中 手术器械定位等方面具有广泛的应用价值，对未来计算机视觉技术的发 展具有重要的意义。
1
图像的预处理
④图像的形态学处理
形态学处理效果图：
2
混合高斯建模方法的流程图
3
OpenCV的介绍和平台搭建
介绍 ：
OpenCV是一个基于发行的跨平台计算机视觉库，可以运行在 Linux、Windows操作系统上。由一系列 C 函数和少量 C++ 类构成， 同时提供了JAVA、MATLAB等语言的接口，实现了图像处理和计算机 视觉方面的很多通用算法。OpenCV 拥有包括 500 多个C函数的跨平 台的中、高层 APl，它通过函数来实现用于图形处理和计算机视觉方 面的通用算法。
1
图像的预处理
②图像去噪
图像去噪它是将输入的图像进行滤波去除噪声，增强图像效果。最常用的 有中值滤波、均值滤波和高斯滤波三种。 中值滤波： 它是将数字图像或数字序列中一个像素点的值用该点的一个邻域中各点值 的中值代替，使周围像素灰度值差别比较大的像素改取为与周围的像素值比较 接近的值，这样能使周围的值更接近真实值，它能消除孤立的噪声点，并去除 高频噪声，抑制脉冲干扰，保持图像清晰的轮廓。 均值滤波： 用邻域的均值替代原图像中的各个像素值，通过对处理的当前像素点(X,Y) 选择一个模板窗口，再把所求的均值赋给当前的像素点，作为处理后图像在该 点上的灰度值。 高斯滤波： 它通过用一个模板（或称卷积、掩模）对图像中的每一个像素进行扫描， 在用模板确定的邻域内像素，对其进行加权平均得到灰度值，在用得到的灰度 值去替代模板中心像素点的值，从而达到图像的平滑效果。
谢谢各位老师！