P_GMM
所属分类：图形图像处理
开发工具：Visual C++
文件大小：2691KB
下载次数：117
上传日期：2010-12-07 13:01:05
上 传 者：
625
说明： 用于背景差分的高斯混合建模，实现运动目标检测，c++源码可编译执行
(Difference of Gaussian mixture for the background model for moving object detection, c++ source code can be compiled implementation)
文件列表:
P_GMM\pgmm\11.bmp (384054, 2010-11-17)
P_GMM\pgmm\Debug\pgmm.bsc (3605504, 2010-11-28)
P_GMM\pgmm\Debug\pgmm.exe (307262, 2010-11-28)
P_GMM\pgmm\Debug\pgmm.ilk (439936, 2010-11-28)
P_GMM\pgmm\Debug\pgmm.pch (6393684, 2010-11-28)
P_GMM\pgmm\Debug\pgmm.pdb (828416, 2010-11-28)
P_GMM\pgmm\Debug\P_GMM.obj (21528, 2010-11-28)
P_GMM\pgmm\Debug\P_GMM.sbr (0, 2010-11-28)
P_GMM\pgmm\Debug\ReadBMP.obj (17869, 2010-11-28)
P_GMM\pgmm\Debug\ReadBMP.sbr (0, 2010-11-28)
P_GMM\pgmm\Debug\test.obj (24349, 2010-11-28)
P_GMM\pgmm\Debug\test.sbr (0, 2010-11-28)
P_GMM\pgmm\Debug\vc60.idb (214016, 2010-11-28)
P_GMM\pgmm\Debug\vc60.pdb (151552, 2010-11-28)
P_GMM\pgmm\pgmm.dsp (4512, 2010-11-21)
P_GMM\pgmm\pgmm.dsw (516, 2010-11-21)
P_GMM\pgmm\pgmm.ncb (66560, 2010-11-28)
P_GMM\pgmm\pgmm.opt (49664, 2010-11-28)
P_GMM\pgmm\pgmm.plg (1552, 2010-11-28)
P_GMM\pgmm\P_GMM.CPP (19405, 2010-11-28)
P_GMM\pgmm\P_GMM.H (3037, 2010-11-28)
P_GMM\pgmm\ReadBMP.cpp (3856, 2010-11-28)
P_GMM\pgmm\ReadBMP.h (677, 2010-11-28)
P_GMM\pgmm\test.cpp (1805, 2010-11-28)
P_GMM\pgmm\Debug (0, 2010-11-28)
P_GMM\pgmm (0, 2010-11-28)
P_GMM (0, 2010-11-21)
2.P_GMM: 参数：
const int K= 5; //number of gaussian components (typically 3-
const double STD_THRESHOLD= 2.5; //positive deviation threshold
const int WIN=200; //200 frames;
const double ALPHA= 0.005; //learning rate (between 0 and 1)
const double BACKGROUND_THRESHOLD= 0.7; //threshold sum of weights for background test
const double SIGMA_INIT = 30; //initial standard deviation
const double WEIGHT_INIT=0.05;
2.1.每个点的第一个高斯分布初值为：权值和匹配数为1，均值为像素值，方差为var_init
point[n].value[0].weight = 1; //the first value seen has weight one
point[n].value[0].match_sum = 1;
for( m = 0; m <3; m++)
{
point[n].value[0].var[m] = var_init;
point[n].value[0].mean[m] = static_cast(ImagData[p + m]);
}
其他分布初值为：方差为var_init，其他设为0
point[n].value[t].weight = 0;
point[n].value[t].match_sum = 0;
for( m = 0; m < 3; m++)
{
point[n].value[t].var[m] = var_init;
point[n].value[t].mean[m] = 0;
}
2.2.匹配标准为：
((xt-ut)(xt-ut)的和)<((variance的和)*std_threshold*var_threshold);将该点归为某个高斯分布
2.3.更新策略：
当帧数小于窗口大小时L（200张）：
w=1/N*(q-w)+w, q表示是否匹配，当匹配时q为1，否则为0；N是匹配点数之和，各n=match_sum的和
有点匹配i时：
p=1/n[i],u[i]=u+p(x-u),d=d+p((x-u)^2-d); d表示方差
不匹配时：将该点加入到最后一个高斯分布中去（因为以降序排序了）
w[i]=n[i]/N; 最后一个高斯参数：match_sum=1，d=d0，u=xt,其他高斯的方差，均值不变
当帧数大于等于窗口大小L时：
更新：w=1/L*(q-w)+w,
有点匹配i时：
p=1/(w*L),u[i]=u+p(x-u),d=d+p((x-u)^2-d); d表示方差
不匹配时：将该点替换最后一个高斯分布（因为以降序排序了）
最后一个高斯参数：w=1/N; match_sum=1，d=d0，u=xt,N是匹配点数之和，各n=match_sum的和；其他高斯的方差，均值不变
2.4.判断背景高斯
排序：w/D^(1/2) ,D是d的和，三原色
求条件发生的最小权值数n：W>th. W表示n个w之和
若点在n个高斯分布中有匹配的，则该点被认为是背景点。
近期下载者：
相关文件：
收藏者：