动态场景的自适应高斯混合模型的研究

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (1): 8-12.

动态场景的自适应高斯混合模型的研究

宋佳声1，2

1.华南理工大学机械与汽车工程学院，广州 510641
2.集美大学轮机工程学院，福建厦门 361021

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-01-01 发布日期:2012-01-01

Study of adaptive Gaussian mixture models for dynamic scenes

SONG Jiasheng1，2

1.School of Mechanical & Automotive Engineering, South China University of Technology, Guangzhou 510641, China
2.Marine Engineering Institute, Jimei University, Xiamen, Fujian 361021, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-01-01 Published:2012-01-01

摘要/Abstract

摘要： 混合高斯模型能够拟合像素颜色值分布、跟踪复杂的场景变化，基于它的算法已经成为对视频序列实施背景减法时的一个标准背景建模方法。分析了GMM算法的理论框架，提出了算法改进的两个方面：模型参数更新和BG/FG分类决策。在综述各种已有的算法的基础上，从学习因子控制、模态个数调节、算法评价以及算法初始化等几个方面展开分析。这些分析结果将为后续研究提供思路和方向。

关键词: 背景减法, 高斯混合模型, 最大期望算法, 模型评价

Abstract: Gaussian mixture modeling has become the standard method for background modeling of the implementation of background subtraction in video sequences, because of its ability to track multiple pixel value distributions in complex variational scenes. This paper analyzes the theory framework underlying the method, and illuminates the two aspects to improve the method：one is updating of model parameters, the other is the classifying tactics. Based on the proposed algorithm, the survey discusses controlling of learning rate, adaptive number of Gaussian models, algorithm evaluation and algorithm initializations. These analysis and discussions expect to provide new ideas and directions for the further research.

Key words: background subtraction, Gaussian Mixture Model（GMM）, Expectation Maximization algorithm（EM）, model evaluation

宋佳声1，2. 动态场景的自适应高斯混合模型的研究[J]. 计算机工程与应用, 2012, 48(1): 8-12.

SONG Jiasheng1，2. Study of adaptive Gaussian mixture models for dynamic scenes[J]. Computer Engineering and Applications, 2012, 48(1): 8-12.

[1]	潘沛鑫，潘中良. 结合显著性的主动轮廓图像分割[J]. 计算机工程与应用, 2021, 57(8): 225-230.
[2]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[3]	魏富强，古兰拜尔·吐尔洪，买日旦·吾守尔. 生成对抗网络及其应用研究综述[J]. 计算机工程与应用, 2021, 57(19): 18-31.
[4]	贾兵兵，曹辉，秦驰杰. 基于SGMM和DNN结合提高音素识别率的研究[J]. 计算机工程与应用, 2019, 55(24): 117-121.
[5]	陈超. 高斯混合模型结合加权似然的目标跟踪算法[J]. 计算机工程与应用, 2019, 55(12): 124-131.
[6]	仇功达1，何明1，祝朝政1，杨杰2，刘勇1. 基于稀疏交界最大密度连通的模糊聚类方法[J]. 计算机工程与应用, 2018, 54(14): 82-88.
[7]	梁恺彬，管一弘. 基于隐高斯混合模型的人脑MRI分割方法[J]. 计算机工程与应用, 2018, 54(10): 196-203.
[8]	陈卉，胡立坤，黄钰雯. 采用高斯混合模型及树结构的立体匹配算法[J]. 计算机工程与应用, 2017, 53(20): 195-200.
[9]	牛艺蓉，王士同. 基于噪音受益的快速图像分割算法[J]. 计算机工程与应用, 2016, 52(21): 195-201.
[10]	胡志立，郭敏. 基于SLIC的改进GrabCut彩色图像快速分割[J]. 计算机工程与应用, 2016, 52(2): 186-190.
[11]	杜楠楠，赵晖. 维吾尔语情感语音韵律转换研究[J]. 计算机工程与应用, 2016, 52(19): 154-160.
[12]	张明光，张钰. 基于ANN伪量测建模的配电网状态估计[J]. 计算机工程与应用, 2016, 52(17): 253-256.
[13]	张金敏1，雷江1，2. 统计建模与对象更新机制相结合的背景减法[J]. 计算机工程与应用, 2016, 52(11): 152-157.
[14]	刘玉超. 一种自适应的多粒度概念提取方法——高斯云变换[J]. 计算机工程与应用, 2015, 51(9): 1-8.
[15]	党小超1，2，毛鹏鑫1，郝占军1，2. 基于快速求解高斯混合模型的流量聚类算法[J]. 计算机工程与应用, 2015, 51(8): 96-101.