MOG2背景建模方法发表于2004年,由Zoran Zivkovic提出,MOG2的改进过程大致是,单高斯背景建模,混合高斯背景建模,MOG到MOG2。
单高斯背景建模中,假设图像中每个点都服从一个一维的高斯分布,由于输入是灰度图,所以这个一维高斯分布的输入是该点处的亮度 B(x,y) ,整个背景变化的概率可以由一个均值为 u ,标准差为 d一维高斯分布表示出来: f(b)=N(u,d) 所以关键就在于:
一般选用0作为高斯函数的均值,一个常数,eg 20,作为高斯函数的标准差。当一个新的图像输入后,需要确认该点处的亮度 B(x,y) 服从上述分布的概率,具体为:使用标注分算法, Z=(B(x,y)-u)/d 将其转化为标准正态分布,那么 P(Z) 就对应了概率密度函数的积分面积,其等价于: (B(x,y)-u)/d=Z>threshold 如果该值大于阈值时,则认为是前景,否则为背景。
检测完成后,就需要更新模型,注意此处不管检测结果如何,由于单高斯背景建模只有一个模型,所以都需进行参数更新,采用如下更新策略:
混合高斯背景建模(GMM)是在单高斯背景建模基础上的扩展,顾名思义,它是将每个点上的单个高斯模型扩展为多个,一般为3-5个。 多个高斯模型混合的目的是为了对抗现实世界中的一些不可抗干扰,比如树叶来回摆动,图像中某一个点的像素值就会发生变化,但是同样应该属于背景。而一个点有多个模型时,就可以在一定程度上对抗这种变化。 混合高斯背景建模的更新策略与单高斯背景建模类似: 首先,对于新一帧图像的点,如果无法和该点处的每个模型计算出小于阈值的值,才能被视为前景,如果是背景,则遵循背景更新策略。 如果是前景,则需要新建或替换当前已有的高斯模型。
MOG就是在GMM基础上改进的,MOG一般固定每个像素点4个高斯模型,MOG2与MOG的区别在于,后者会自适用的确定不同场景,高斯分量的个数。
由于MOG2也是随机初始化参数,所以,执行背景建模时,第一帧检测出来的前景一般是整个图像,也就是图像中的每个点都被判断为前景。