【正文】 真結(jié)果如下圖：（從左至右，由上到下依次為視頻畫(huà)面video、背景background、二值前景black_foreground、彩色前景colorful_foreground。）(a) n_gauss=1(b) n_gauss=5(c) n_gauss=10 n_gauss取不同值時(shí)的結(jié)果對(duì)比圖結(jié)果分析：圖(a)中，n_gauss=1，此時(shí)為單高斯模型。背景中出現(xiàn)了前景目標(biāo)，且前景目標(biāo)丟失嚴(yán)重，說(shuō)明單高斯模型自適應(yīng)力差，容易出現(xiàn)前景背景檢測(cè)混亂。圖(b)中，n_gauss=5，為混合高斯模型。由圖觀測(cè)，檢測(cè)效果良好。通過(guò)經(jīng)驗(yàn)判斷，在實(shí)際仿真中，n_gauss一般取值為3—5。因?yàn)樵诟咚够旌夏Ｐ捅尘敖＿^(guò)程中，隨著系統(tǒng)的穩(wěn)定，—，對(duì)設(shè)定的T，前三個(gè)高斯成分能滿足/條件。圖(c)中，n_gauss=10，由圖觀測(cè)，其與n_gauss=5時(shí)實(shí)驗(yàn)效果基本一致。且在實(shí)驗(yàn)中發(fā)現(xiàn)，n_gauss取值越大，系統(tǒng)運(yùn)行越緩慢，這也應(yīng)證了上述經(jīng)驗(yàn)說(shuō)法。（2）分別取minarea為160，均取第159幀，仿真結(jié)果如下圖：（從左至右，由上到下依次為視頻畫(huà)面video、背景background、二值前景black_foreground、彩色前景colorful_foreground。橢圓里為運(yùn)動(dòng)目標(biāo)，矩形里為噪聲點(diǎn)）(a) minarea為5(b) minarea為15(c) minarea為60 minarea取不同值時(shí)的結(jié)果對(duì)比圖結(jié)果分析：圖(a)中，minarea為5，此時(shí)目標(biāo)最小輪廓設(shè)限很小。從圖可觀測(cè)出，前景中出現(xiàn)了較多的噪聲點(diǎn)。圖(b)中，minarea為15，此時(shí)目標(biāo)最小輪廓設(shè)限較適合。從圖可觀測(cè)出，前景中僅出現(xiàn)了需要的運(yùn)動(dòng)目標(biāo)，沒(méi)有噪聲點(diǎn)。圖(c)中，minarea為60，此時(shí)目標(biāo)最小輪廓設(shè)限較大。從圖可觀測(cè)出，前景中本該檢測(cè)出的小運(yùn)動(dòng)目標(biāo)被一塊視為噪聲去除了，影響了檢測(cè)的效果。因此，對(duì)于minarea來(lái)講，取值不宜過(guò)大，也不宜太小，應(yīng)根據(jù)實(shí)際情況選擇。本實(shí)驗(yàn)選擇取15。（3）分別取ξ為6，均取第100幀，仿真結(jié)果如下圖：（從左至右，由上到下依次為視頻畫(huà)面video、背景background、二值前景black_foreground、彩色前景colorful_foreground。橢圓里為運(yùn)動(dòng)目標(biāo)，矩形里為噪聲點(diǎn)）(a) ξ為1(b) (c) ξ為6 ξ取不同值時(shí)的結(jié)果對(duì)比圖結(jié)果分析：圖(a)中，ξ為1，此時(shí)匹配參數(shù)設(shè)置較小。從圖可觀測(cè)出，前景中出現(xiàn)了較多的噪聲點(diǎn)。因?yàn)棣卧叫?，中右邊越小，左邊允許的Xt+1與μk，t相差不能太大。若畫(huà)面中噪聲點(diǎn)較多，則其對(duì)噪聲點(diǎn)的篩選能力就越弱，所以才出現(xiàn)了圖示的較多噪聲點(diǎn)。圖(b)中，從圖可觀測(cè)出，前景中僅出現(xiàn)了需要的運(yùn)動(dòng)目標(biāo)，沒(méi)有噪聲點(diǎn)，此時(shí)匹配參數(shù)設(shè)置較適合。圖(c)中，ξ為6，此時(shí)匹配參數(shù)設(shè)置較大。從圖可觀測(cè)出，前景中運(yùn)動(dòng)目標(biāo)的一部分被視為噪聲也去除了，破壞了目標(biāo)的輪廓，影響了檢測(cè)效果。因此，對(duì)于匹配參數(shù)設(shè)置來(lái)講。根據(jù)經(jīng)驗(yàn)，—.（4）、均取第177幀，仿真結(jié)果如下圖：（從左至右，由上到下依次為視頻畫(huà)面video、背景background、二值前景black_foreground、彩色前景colorful_foreground。橢圓里為運(yùn)動(dòng)目標(biāo)，矩形里為噪聲點(diǎn)）(a) (b) (c) T取不同值時(shí)的結(jié)果對(duì)比圖結(jié)果分析：圖(a)中，圖(b)中。由圖對(duì)比知道，它們的檢測(cè)效果基本一致，效果較好。而圖(c) ，設(shè)置比較大，前景中運(yùn)動(dòng)目標(biāo)的輪廓破壞就比較明顯。由可以知道，T決定了表示背景的高斯成分個(gè)數(shù)，所以當(dāng)T非常大的時(shí)候，表示背景的高斯成分較多，這就容易導(dǎo)致模型將前景點(diǎn)也當(dāng)做背景處理，所以出現(xiàn)了圖(c)的情況。而對(duì)于T值較小，只要首個(gè)高斯成分的權(quán)重滿足大于T，則其取值不影響檢測(cè)效果，而實(shí)驗(yàn)經(jīng)驗(yàn)得到背景建模穩(wěn)定后。因此，對(duì)于模型門限設(shè)置，—.（5）分別取分界幀frame_size為50、200，均取第145幀，仿真結(jié)果如下圖：（從左至右，由上到下依次為視頻畫(huà)面video、背景background、二值前景black_foreground、彩色前景colorful_foreground。橢圓里為運(yùn)動(dòng)目標(biāo)，矩形里為噪聲點(diǎn)）(a) frame_size為10(b) frame_size為50(c) frame_size為200 frame_size取不同值時(shí)的結(jié)果對(duì)比圖結(jié)果分析：圖(a)中，frame_size為10，此時(shí)分界幀設(shè)置較小。在系統(tǒng)仿真的過(guò)程中發(fā)現(xiàn)目標(biāo)檢測(cè)很不穩(wěn)定，噪聲點(diǎn)很多，目標(biāo)輪廓很不清晰。由于模型學(xué)習(xí)率α=1/frame_size，所以當(dāng)frame_size較小時(shí)，模型的更新幅度較大，從而引起模型的像素值不穩(wěn)定。圖(b)中，frame_size為50，從圖可觀測(cè)出，運(yùn)動(dòng)目標(biāo)檢測(cè)效果較好，此時(shí)參數(shù)設(shè)置較適合。圖(c)中，frame_size為200，此時(shí)分界幀設(shè)置較大。從圖可觀測(cè)出，檢測(cè)效果和frame_size為50時(shí)相當(dāng)。這是由于在前面背景模型已經(jīng)較為穩(wěn)定，小的學(xué)習(xí)率α=1/frame_size適合后期的更新。當(dāng)然，對(duì)于frame_size設(shè)置來(lái)講，需要根據(jù)不同系統(tǒng)，如果系統(tǒng)需較長(zhǎng)時(shí)間背景才穩(wěn)固下來(lái)，則frame_size相對(duì)設(shè)置大些較合適。本實(shí)驗(yàn)中，其值選擇取為100，仿真說(shuō)明其效果較好。形態(tài)學(xué)處理分圖像為未進(jìn)行形態(tài)學(xué)處理、取結(jié)構(gòu)元素為element3和element5三種情況分別進(jìn)行仿真，均取第167幀，仿真結(jié)果如下圖：（從左至右，由上到下依次為視頻畫(huà)面video、背景background、二值前景black_foreground、彩色前景colorful_foreground。橢圓里為運(yùn)動(dòng)目標(biāo)，矩形里為噪聲點(diǎn)）(a) 未進(jìn)行形態(tài)學(xué)處理(b) 取結(jié)構(gòu)元素為element3進(jìn)行形態(tài)學(xué)處理(c) 取結(jié)構(gòu)元素為element5進(jìn)行形態(tài)學(xué)處理 形態(tài)學(xué)處理前后結(jié)果對(duì)比圖結(jié)果分析：未進(jìn)行形態(tài)學(xué)處理的前景圖像中，包含有大量由擺動(dòng)的樹(shù)枝，光線變化等產(chǎn)生的噪聲點(diǎn)（見(jiàn)第一幅圖）。進(jìn)行形態(tài)學(xué)的處理過(guò)程中，可以選取多種結(jié)構(gòu)元素進(jìn)行，比如elementelementelement7等等。結(jié)構(gòu)元素選取越大，對(duì)噪聲點(diǎn)的抑制越強(qiáng)，但對(duì)小目標(biāo)的檢測(cè)液越易造成不宜影響（見(jiàn)第三幅圖）。所以在實(shí)際仿真過(guò)程中，需要根據(jù)自己的不同需求進(jìn)行選取。本實(shí)驗(yàn)選取element5進(jìn)行，效果較好。（六）課題前景展望雖然基于高斯混合模型的背景建模方法能有力應(yīng)對(duì)目標(biāo)重疊、光照變化、樹(shù)木搖擺等復(fù)雜背景，但在實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn)它仍然存在以下不足： 檢測(cè)出的目標(biāo)中包含了它的陰影，造成輪廓不佳；當(dāng)高斯成分個(gè)數(shù)較大時(shí)，系統(tǒng)運(yùn)行緩慢，且高斯成分中大多時(shí)候真正用于背景的成分個(gè)數(shù)較少；高斯背景模型對(duì)背景的非平穩(wěn)變化（例如攝像機(jī)的抖動(dòng)）十分敏感，會(huì)產(chǎn)生大量虛警；此節(jié)就這些不足提出了基于高斯背景建模課題研究的前景展望。研究一種陰影處理方法，抑制建模過(guò)程中存在的陰影區(qū)域；研究一種高斯成分個(gè)數(shù)自適應(yīng)選擇的方法，改善固定高斯成分個(gè)數(shù)造成系統(tǒng)資源浪費(fèi)，運(yùn)行緩慢的不足；研究一種能充分融合背景在時(shí)間和空間域上分部信息的方法，大幅提高背景模型魯棒性。四、收獲與體會(huì)略。參考文獻(xiàn)[1] 王永忠,梁彥,潘泉,程詠梅,2009, 04 [2] ,2009,09[3] 唐俐，龍熙華．運(yùn)動(dòng)FI標(biāo)檢測(cè)的三幀差分和背景消減研究[J]．科技信息，2008(28)：417．[4] 劉瑞禎，. 北京：北京航空航天大學(xué)出版社， [5] 張國(guó)欣,張殿富,2011,12 [6] 魏曉慧，李良福，錢鈞. 基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法研究,應(yīng)用光學(xué),2010,7 [7] 馬義德 ,朱望飛,安世霞 ,邱會(huì)銀 ,2007,10[8] 代科學(xué),李國(guó)輝,涂丹,等. 監(jiān)控視頻運(yùn)動(dòng)目標(biāo)檢測(cè)減背景技術(shù)的研究現(xiàn)狀和展望[J ]. 中國(guó)圖象圖形學(xué)報(bào), 2006, 11 (7) : 919 917.[9] 朱明旱,羅大庸,2005(03)[10] Microsoft Visual Studio C++ 2010入門教程(修訂版)[11] STAUFFER C, GRIMSONW. Adaptive background mixture models for real time tracking[C].Proceedings of IEEE International Conference on Computer Vision and Pattern Collins:IEEE Press, 1999, 2: 246 252.[12] Lee D Gaussian mixture learning for video background Trans,on Pattern Analysis and Machine Intelligence,2005,27(5):827832.謝 辭經(jīng)過(guò)半年多的努力終于完成了畢業(yè)設(shè)計(jì)工作和畢業(yè)論文的撰寫(xiě)工作。首先，感謝我的導(dǎo)師。另外，還要特別感謝。在此，謹(jǐn)以本文奉獻(xiàn)給他們，并再次深深地感謝他們對(duì)我的深情厚意和悉心幫助！