目标识别与追踪计算机视觉项目实战-背景建模与光流估计 _高斯混合模型

欢迎来到本博客
本次博客内容将继续讲解关于的相关知识
作者简介：??????目前计算机研究生在读。主要研究方向是人工智能和群智能算法方向。目前熟悉网页爬虫、机器学习、计算机视觉（）、群智能算法、深度学习等内容。以后可能会涉及到网络安全相关领域，毕竟这是每一个学习计算机的梦想嘛！
目前更新：目前已经更新了关于网络爬虫的相关知识、机器学习的相关知识、目前正在更新计算机视觉-的相关内容。
本文摘要
计算机视觉项目-背景建模
文章目录??光流估计实战演示
这里我准备用自己的一个投篮来做试一下这个小项目！后期会做出结果。本来是要做视频的结果没有办法，总显示数据不存在，大家简单的看一下就好。
??项目前言
熟悉的小伙伴们都知道一点就是视频是由一帧一帧的图像组合而成，那么当我们传进来一个摄像头录制的图像的时候（因为摄像头录制的较为稳定），我们是不是也可以做这样的一件事：检测到那些物体或者说那些人在运动，那些物体没有在运动。也就是我们所谓的哪些是前景，那些是背景。那么我们就来具体看看背景建模都有那些方法。
??背景建模-帧差法
首先我们来讲一下什么是帧差法：由于场景中的目标在运动，目标的影像在不同图像帧中的位置不同。该类算法对时间上连续两帧或者三帧图像进行像素值差分运算，不同帧对应的像素值进行相减，判断灰度值的绝对值。当绝对值超过了一定的阈值之后，既可以判断成运动目标，从而实现运动的目标检测功能。
侦差法非常简单，但是会引入噪音，和一些空洞问题。很明显两帧图像背景的部分，不可能像素值一点不变，变一点计算机都是可以识别的，所以他一定会出现一些噪音点，比如上方的图像就是出现了人的周围也出现了很多的噪音点。还有一个就是空洞问题，那么什么是一个空洞问题呢，就是上方图像中整个人都是在运动的，但是由于两帧图像中人移动的很小，把自己身体部分一部分一直处于一个黑色的状态，导致人体内部都是黑色的。没有识别出来。
??背景建模-混合高斯模型
流程总览：在进行前景检测前，先对背景进行训练，对图像的每一个背景都进行一个混合高斯模型进行模拟，每个背景的混合高斯的个数可以自适应。对于新来的像素值进行GMM匹配，如果该像素数值能够匹配其中一个高斯模型，那么就可以认为是背景，否则认为是前景，由于整个过程GMM都在不断更新学习的过程，所以对于动态背景该算法也具有一定的鲁棒性，最后通过一个有树枝摇摆的动态背景进行前景检测，会取得较好的结果。
首先我们先来看一下什么是高斯模型：
对于像素值中的一个点的展示是这样：
背景的实际分布应当是多个高斯分布混合在一起，每个高斯模型也可以带有权重。
这里我们来具体说一下为什么说是混合高斯模型，为什么要混合呢？因为当你拿到一帧图像的时候，不可能在这个图像当中就一个背景的，可能有天空，可能有绿地，可能有具体的事物。那么这些背景的对应的高斯模型都是不相同的，那么就需要混合高斯模型来做这一件事。天空这个背景对应第一个高斯模型，草地这个背景对应第三个高斯模型。都被匹配上了，那么我们就认为他是一个背景，如果都没有被高斯模型匹配上，那么我们就认为他是一个运动的。
这里面就描述了两个高斯模型。
混合高斯模型学习方法：
首先初始化每个高斯模型矩阵参数。
这里我们初始化每一个高斯模型矩阵。比如我们拿到了第一个像素点的数值是100，然后对应的均值差默认值是5 。

目标识别与追踪 计算机视觉项目实战-背景建模与光流估计

目标识别与追踪计算机视觉项目实战-背景建模与光流估计