|
1.算法运行效果图预览 
2.算法运行软件版本 MATLAB2013B 3.算法理论概述 基于高斯混合模型(Gaussian Mixture Model, GMM)的视频背景提取和人员跟踪算法是一种广泛应用的计算机视觉方法，主要用于分离视频序列中的静态背景和动态前景（比如人物运动）。 高斯混合模型是一个概率密度函数的线性组合，它可以近似表示复杂的背景分布情况。在视频背景建模中，每一帧图像的像素值被认为是来自K个不同高斯分布的随机变量。每个高斯分布代表一种潜在的背景状态。设第t帧图像的像素值为I_t(i,j)，i和j分别是像素位置索引，那么I_t(i,j)的概率分布可以用K个高斯分布的加权和来表示： 
通过迭代优化，不断更新每个像素属于各高斯分量的概率以及高斯分量的参数，最终达到稳定状态，此时模型能够较好地表征背景信息。 在模型训练完成后，对于新的视频帧，我们可以计算其像素值属于背景的概率。若某个像素点的概率低于设定阈值，则认为它是前景像素： 
背景提取后，可以利用连通组件分析、运动分析或其他目标跟踪算法对前景中的人员进行跟踪。例如，可以利用卡尔曼滤波器或粒子滤波器预测目标的位置，并与当前帧的实际检测结果进行匹配更新，实现连续跟踪。 在实际应用中，为了适应环境光照变化、动态背景等问题，还需要对GMM模型进行在线更新。综上所述，基于高斯混合模型的视频背景提取和人员跟踪算法，首先是利用GMM建立背景模型，然后通过对新到来的视频帧进行背景减除，提取出前景目标，进而运用特定的跟踪算法对前景中的人员进行持续跟踪。 4.部分核心程序 %我们这里设计了一个算法，就是能够读取压缩后的AVI视频，从而使仿真速度更快
disp('正在读取视频...');
FileName_AVI = 'Vedio\04.avi';
[pixel_gray,pixel_original,frameNum_Original] = func_vedio_process(FileName_AVI);
for i = 1:frameNum_Original
i
pixel_gray2(:,:,i) = imresize(pixel_gray(:,:,i),[RR,CC]);
pixel_original2(:,:,:,i) = imresize(pixel_original(:,:,:,i),[RR,CC]);
end
clear pixel_gray pixel_original;
disp('读取视频完毕...');
disp('正在进行高斯混合模型的仿真...');
[image_sequence,background_Update,Images0,Images2,res3] = func_Mix_Gauss_Model(pixel_original2,frameNum_Original,RR,CC,K,Alpha,Rho,Deviation_sq,Variance,Props,Back_Thresh,Comp_Thresh,SHADOWS);
disp('高斯混合模型的仿真完毕...');
disp('正在显示效果...');
figure;
for tt = 1:frameNum_Original
tt
subplot(221)
imshow(image_sequence(:,:,:,tt));
title('原始图像');
subplot(222)
imshow(uint8(background_Update(:,:,:,tt)));
title('背景图像更新');
subplot(223)
imshow(Images0(:,:,tt));
title('运动目标检测');
subplot(224)
imshow(res3(:,:,:,tt));
title('运动目标检测-最后处理结果');
pause(0.001);
end
disp('显示效果完毕...');
save Result.mat image_sequence background_Update Images0 Images2
|
|
|
