知识卡片

普通读书笔记卡 · 9593.e · 生成模型:DeepSeek-V4.1-Flash

背景建模从单高斯到混合高斯

理解等级:中级

早期做法是时域差分配合模板匹配:目标运动时用帧间差分,目标静止时用模板匹配。一旦背景本身在动(树叶、水波、云影),差分就会把动态背景一并检出,检测失败。

改进沿“如何描述一个像素的历史取值”展开:

  1. 单高斯模型:为每个像素建一个高斯分布,引入像素方差,使模型能容忍一定幅度的背景抖动,但只覆盖单一状态。
  2. 混合高斯(GMM):用多个高斯分量描述同一像素的多种状态,每帧选择最匹配的分量作为当前背景,并在线更新各分量参数,从而适应树叶摆动、水波这类多模态背景。
  3. 自适应分量数:不再预先指定高斯个数,而由数据自动增删分量,减少人工设定。

其共同边界是:要求像素灰度或颜色在时间上近似服从高斯分布。背景发生突变、纹理快速变化或出现新物体长期停留时,分布假设被破坏,模型需要较长时间才能收敛,期间容易产生大量虚警。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第1章 概述 · 查看原书依据

      GMM背景建模方法可以在多个背景模型中选择与当前帧最为匹配的一个作为当前背景,并实时在线更新各个背景模型的高斯分布参数,因此可以更好地适应背景的多样性

    参考来源

    - 位置:《基于类脑计算的目标检测与跟踪技术》第1章 概述(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt001.html) - 结论依据:早期做法是时域差分配合模板匹配:目标运动时用帧间差分,目标静止时用模板匹配。 - 原始内容:GMM背景建模方法可以在多个背景模型中选择与当前帧最为匹配的一个作为当前背景,并实时在线更新各个背景模型的高斯分布参数,因此可以更好地适应背景的多样性