基于梯度的GMM算法研究.pdf

1、本文在分析了常用的運(yùn)動(dòng)檢測(cè)算法基礎(chǔ)上,概要性地介紹了常用運(yùn)動(dòng)檢測(cè)算法原理及優(yōu)缺點(diǎn),提出了一種基于梯度的具有良好的魯棒性的GMM運(yùn)動(dòng)目標(biāo)檢測(cè)算法。首先,研究了背景建模方法中的高斯混合模型,針對(duì)高斯混合模型無(wú)法適應(yīng)較快的光線變化的問(wèn)題從模型的建立、參數(shù)的更新和前景的提取三個(gè)方面進(jìn)行了原理上的剖析。接著,針對(duì)高斯混合模型僅僅根據(jù)像素級(jí)的信息進(jìn)行建模的不足,提出了區(qū)域級(jí)的基于梯度信息的高斯混合模型改進(jìn)算法。最后,通過(guò)圖像梯度信息擴(kuò)展了高斯混合模

2、型算法,利用高斯混合模型的參數(shù)分別構(gòu)建了基于顏色的背景模型和基于梯度的背景模型。并通過(guò)區(qū)域級(jí)的處理結(jié)合兩個(gè)模型的結(jié)果來(lái)檢測(cè)出由光照引起的誤檢測(cè)區(qū)域,從而除去前景中光線的影響。
　　對(duì)文中提出的算法在Windows平臺(tái),利用VisualStudio2008和OpenCV開(kāi)發(fā)包采用C語(yǔ)言進(jìn)行了程序開(kāi)發(fā)。通過(guò)對(duì)實(shí)際交通視頻序列進(jìn)行仿真實(shí)驗(yàn),對(duì)比和分析了GMM算法和本文算法的性能。實(shí)驗(yàn)結(jié)果表明,本文算法在保留了高斯混合模型的形式靈活、識(shí)別