d 文档高斯模型.doc

混合高斯模型混合高斯模型为增加对环境变化的鲁棒性，对每个像素点建立多个高斯模型，为像素特征值服从个高斯分布的叠加，其概率密度表达式为： (式4-19)其中，为高斯模型的个数，一般取3到5个，为第个高斯模型的权值，该参数体现了模型为背景的概率，为第个模型在t时刻的均值，为第个模型在t时刻的协方差，第i个高斯模型的概率密度函数: (式4-20)混合高斯模型采用像素点的多个特征值作为检测变量，一般使用像素RGB三个通道的特征值进行检测，即，假设各个通道的颜色特征值相互独立，则有: (式4-21)在混合高斯模型中，对各个模型的匹配与单高斯模型相同，采用极限误差判决，对于满足条件的，认为与模型匹配，否则将其特征值作为均值，并为其分配一个较大的值作为方差，产生一个新的模型。高斯模型中并不是所有模型都是对背景的描述，区分哪些模型代表图像背景和哪些模型代表运动前景，是混合高斯模型进行运动目标检测的又一核心问题。在混合高斯模型的参数更新过程中，权值参数越大代表该模型出现频率越高，越有可能描述的是图像背景，反之，越小则越有可能描述的是运动前景。此外，方差描述了随机分布的波动幅度，对于越有可能是背景图像描述的模型，其方差越小，而有可能是对运动前景描述的模型，其方差越大。因此，在每次匹配完成之后，将权值参数重新归一化，并按从大到小对K个混合高斯模型进行排序，越大代表模型越可能是背景分布，对满足公式(4-20)的M个模型判决为背景模型，而剩下的判决为前景模型，即运动目标。 (式4-22)为阈值，表示背景在模型中占得比例，的选取对算法的检测性能有重要的影响，取值太小，使得只有一个高斯模型对背景描述，混合高斯模型成为单高斯模型，而阈值太大，易使运动像素点与权值较小的模型匹配而被误检为背景点，因此只有合适的阈值选择才能体现混合高斯模型的双模或多模特性。在实际的反复测试中，一般取=0.85比较合适。4.2.2 混合高斯模型背景更新混合高斯模型之所以能够适应背景变化，就是因为模型参数可以随着背景的变化进行更新。个高斯模型的权值参数更新策略为: (式4-23)其中： 称为学习因子，它体现了背景像素点融入模型的快慢程度。混合高斯模型对于没有匹配上的模型，其均值和方差两个参数保持不变，而对于匹配上的模型，采用如下的更新方式： (式4-24)其中： 混合高斯模型的权值参数更新机制主要优点之一:允许运动前景成长为背景，但不破坏已经存在的背景结构，即能为发生特征值变化的像素点建立新的模型，如果该变化是背景变化，则随着匹配次数的增加，该模型的权值参数得到增加，直到成长为背景，如果该变化是运动目标引起的，则随着匹配次数的减少，该模型的权值也在不断的减少，最后从背景模型中删除，被新的模型替代。均值和方差更新机制的主要优点是:对于判决为背景但特征值已发生变化的像素点，模型能够将其特征值变化部分不断的融入到背景中去，从而使混合高斯模型对变化的背景拥有更好的适应性。4.3 改进的混合高斯模型算法实现混合高斯模型算法在计算上具有一定的复杂度，尤其在嵌入式系统设备中实现，为保证算法的实时性，需要根据处理器的特性进行相应的算法处理优化。TMS32ODM6467的C64x+内核是定点处理器，因此它在模拟浮点运算时，速度非常慢，如何在不影响计算精度的前提下，将混合高斯模型中的浮点计算转化为定点计算，需要在程序的编写中进行一些相应的处理。并且混合高斯模型对每个像素点进行建模，当采集到的图像分辨率较大时，需要建立大量的模型，模型在内存中的存储结构，会影响处理器对数据的访问速度，从而影响整个算法计算部分的等待时间。此外，C64x+在执行跳转指令时，需要将整个流水线冲掉，进行重新填充，由于流水线的长度，这种跳转会花费比较长的时间，因此在算法编写中应该尽量避免这种跳转。混合高斯模型进行运动检测的执行流程如图4.2所示。视频输入目标检测背景更新匹配判决预处理模型初始化图4.2 算法执行流程Fig.4.2 Algorithm of Implementation Process视频的输入为通过网络从摄像机上获得的图像，预处理部分主要包括了对图像不同属性空间的转换和高斯滤波，以及根据用户需要进行的一些处理，如对高分辨率的图像，规定只将算法应用于感兴趣的区域。模型的初始化部分在检测中只进行一次，初始化的参数包括了高斯模型的个数、学习因子、两个匹配门限系数和，以及权值和方差的初始化值，这些初始化值需要通过人工配置，并且有可能在不同的监控场景中设置不同的值，为了方便初始化参数的管理，以及在背景更新与匹配时，对模型数据的访问，设计了如下的两个结构体:Typedef struct GMMParamsint n_gauss; /模型个数float alpha; /学习因子float beta1_threshold，bata2_threshold; /匹配门限float weight_init,variance_init; /权值和方差方差的初始值GMMPararns;Typedef struct GMMValuesfloat weight; /权值float varianceN_CHANNEL; /方差float meanN_CHANNEL;/均值GMMValues;在结构体中存在的float型数据，这只是为了方便参数管理和更好的表示参数意义，在实际的计算中将转化为整数进行计算。公式(4-26)中是一个0到1之间的数，将放大215倍，然后取放大后的整数部分，则相当于用一个15位的整数来表示。针对C64x+进行这种将小数放大进行处理的最大优势是:C64x+内核拥有MPYLIR和MPYHIR指令，用这类指令将一个32位的整数与一个16位的整数相乘时，结果会加上214(相当于做四舍五入)再向右移15位。这样用放大后的值与均方值相乘，使得每次均方更新和计算时都是整数，并且使用15bit来表示，精度可以满足对图像像素值处理的需要，即能保证均值和方差的更新精度，这是因为数字图像的特征值都是用一个8bit的整数来表示，在比较时小数部分的作用并不明显，所以在整个算法使用整数计算时，对最终的判决和背景更新影响并不大，而对于 (一般为大于1的数)，则将分拆成整数部分和小数部分，分别进行计算。在改进的混合高斯模型算法实现中，使用双门限判决时，对于像素样本值与中心距离的偏差高于门限不的像素点判决为运动目标，称为绝对运动目标点，用“2”来表示，对低于门限的像素点判决为背景，称为绝对背景点，用“0”来表示，而对处在两个门限值之间的像素点，称为可能运动目标点，用“l来表示，它们是否被判决为运动目标取决于邻域内是否存在目标点，这样使得算法在编程时对像素的遍历存在了次序性，如图4.3所示，初步的判决结果如图4.3(a)所示，如果算法按照图像从上到下和从左到右的顺序处理，则判决结果如图4.3(b)，而如果图像按照从下到上和从右到左的顺序处理，则判决结果如图4.3(c)，因此对于不规则的运动目标，无论按照任何顺序遍历都无法得到完整的目标。222222220002000000112111110（a）（a）（a）图4.3 双门限判决事例说明Fig.4.3 Double Threshold of Examples Explain在本系统算法的实现中使用了栈的数据结构来保证这种使用邻域信息的双门限判决，即在初步判决时，将所有的绝对运动目标点坐标压入栈，然后出栈时，根据绝对运动目标点的坐标，查找它邻域位置是否有可能运动目标点，如果存在，则将其判决为运动目标，并压入栈，如果没有可能运动目标点，则将该点弹出，直至栈为空，栈的现实代码如下:While(stack_topstack_bottom)JUDGE_POP(m);if(m-1=)/JUDGE_PUSH(m-1);if(m1=1)/JUDGE_PUSH(m+1);if(m-width-1=1)/左上J