http://www.zhihuishi.com/source/2073.htmlhtml
高斯模型就是用高斯機率密度函數（正態分佈曲線）精確地量化事物，將一個事物分解爲若干的基於高斯機率密度函數（正態分佈曲線）造成的模型。 對圖像背景創建高斯模型的原理及過程：圖像灰度直方圖反映的是圖像中某個灰度值出現的頻次，也能夠覺得是圖像灰度機率密度的估計。若是圖像所包含的目標區域和背景區域相差比較大，且背景區域和目標區域在灰度上有必定的差別，那麼該圖像的灰度直方圖呈現雙峯-谷形狀，其中一個峯對應於目標，另外一個峯對應於背景的中心灰度。對於複雜的圖像，尤爲是醫學圖像，通常是多峯的。經過將直方圖的多峯特性看做是多個高斯分佈的疊加，能夠解決圖像的分割問題。 在智能監控系統中，對於運動目標的檢測是中心內容，而在運動目標檢測提取中，背景目標對於目標的識別和跟蹤相當重要。而建模正是背景目標提取的一個重要環節。函數
咱們首先要提起背景和前景的概念，前景是指在假設背景爲靜止的狀況下，任何有意義的運動物體即爲前景。建模的基本思想是從當前幀中提取前景，其目的是使背景更接近當前視頻幀的背景。即利用當前幀和視頻序列中的當前背景幀進行加權平均來更新背景,可是因爲光照突變以及其餘外界環境的影響，通常的建模後的背景並不是十分乾淨清晰，而高斯混合模型(GMM，Gaussian mixture model)是建模最爲成功的方法之一，同時GMM能夠用在監控視頻索引與檢索。學習
混合高斯模型使用K（基本爲3到5個） 個高斯模型來表徵圖像中各個像素點的特徵,在新一幀圖像得到後更新混合高斯模型,用當前圖像中的每一個像素點與混合高斯模型匹配,若是成功則斷定該點爲背景點, 不然爲前景點。通觀整個高斯模型，他主要是有方差和均值兩個參數決定，,對均值和方差的學習,採起不一樣的學習機制,將直接影響到模型的穩定性、精確性和收斂性。因爲咱們是對運動目標的背景提取建模，所以須要對高斯模型中方差和均值兩個參數實時更新。爲提升模型的學習能力,改進方法對均值和方差的更新採用不一樣的學習率;爲提升在繁忙的場景下,大而慢的運動目標的檢測效果,引入權值均值的概念,創建背景圖像並實時更新,而後結合權值、權值均值和背景圖像對像素點進行前景和背景的分類。ui