混合高斯模型别人的解释代码1.docx
- 文档编号:9578549
- 上传时间:2023-05-20
- 格式:DOCX
- 页数:14
- 大小:19.92KB
混合高斯模型别人的解释代码1.docx
《混合高斯模型别人的解释代码1.docx》由会员分享,可在线阅读,更多相关《混合高斯模型别人的解释代码1.docx(14页珍藏版)》请在冰点文库上搜索。
混合高斯模型别人的解释代码1
【原创】OPENCV中混合高斯背景模型的实现
2010-03-2918:
12
看高斯混合模型的论文的时候感觉一头雾水,主要是那些概率公式比较难懂,看了几遍论文和代码才有了一点感觉,以下是个人的对混合高斯背景模型代码的理解,后面会通过进一步理解不断对此贴修正.....
注:
本人对该代码的理解也有很多不到位的地方,希望以后会慢慢矫正。
程序中代码的实现与论文中公式有些出入,不过不影响对全局的把握和理解。
混合高斯背景模型理论的论文:
点击下载
////////////////////////cvCreateGaussianBGModel///////////////////////////////////////////
CV_IMPLCvBGStatModel*cvCreateGaussianBGModel(IplImage*first_frame,CvGaussBGStatModelParams*parameters)
{
CvGaussBGModel*bg_model=0;
CV_FUNCNAME("cvCreateGaussianBGModel");
__BEGIN__;
doublevar_init;
CvGaussBGStatModelParamsparams;
inti,j,k,m,n;
//initparameters
if(parameters==NULL)
{
params.win_size =CV_BGFG_MOG_WINDOW_SIZE; //初始化阶段的帧数;用户自定义模型学习率a=1/win_size;
params.bg_threshold=CV_BGFG_MOG_BACKGROUND_THRESHOLD;
params.std_threshold=CV_BGFG_MOG_STD_THRESHOLD;
params.weight_init =CV_BGFG_MOG_WEIGHT_INIT;
params.variance_init=CV_BGFG_MOG_SIGMA_INIT*CV_BGFG_MOG_SIGMA_INIT;//方差
params.minArea =CV_BGFG_MOG_MINAREA;
params.n_gauss =CV_BGFG_MOG_NGAUSSIANS;//高斯分布函数的个数
}
else
{
params=*parameters;//用户自定义参数
}
if(!
CV_IS_IMAGE(first_frame))
CV_ERROR(CV_StsBadArg,"InvalidorNULLfirst_frameparameter");
CV_CALL(bg_model=(CvGaussBGModel*)cvAlloc(sizeof(*bg_model)));
memset(bg_model,0,sizeof(*bg_model));
bg_model->type=CV_BG_MODEL_MOG; //CV_BG_MODEL_MOG为高斯背景模型
bg_model->release=(CvReleaseBGStatModel)icvReleaseGaussianBGModel;
bg_model->update=(CvUpdateBGStatModel)icvUpdateGaussianBGModel;
bg_model->params=params;
//preparestorages
CV_CALL(bg_model->g_point=(CvGaussBGPoint*)cvAlloc(sizeof(CvGaussBGPoint)*
((first_frame->width*first_frame->height)+256)));
CV_CALL(bg_model->background=cvCreateImage(cvSize(first_frame->width,
first_frame->height),IPL_DEPTH_8U,first_frame->nChannels));
CV_CALL(bg_model->foreground=cvCreateImage(cvSize(first_frame->width,
first_frame->height),IPL_DEPTH_8U,1));
CV_CALL(bg_model->storage=cvCreateMemStorage());
//initializing
var_init=2*params.std_threshold*params.std_threshold;//初始化方差
CV_CALL(bg_model->g_point[0].g_values=
(CvGaussBGValues*)cvAlloc(sizeof(CvGaussBGValues)*params.n_gauss*
(first_frame->width*first_frame->height+128)));
for(i=0,n=0;i
{
for(j=0;j
{
constintp=i*first_frame->widthStep+j*first_frame->nChannels;
//以下几步是对第一个高斯函数做初始化
bg_model->g_point[n].g_values=bg_model->g_point[0].g_values+n*params.n_gauss;
bg_model->g_point[n].g_values[0].weight=1; //权值赋为1
bg_model->g_point[n].g_values[0].match_sum=1;//高斯函数被匹配的次数
for(m=0;m
{
bg_model->g_point[n].g_values[0].variance[m]=var_init;
//均值赋为当前像素的值
bg_model->g_point[n].g_values[0].mean[m]=(unsignedchar)first_frame->imageData[p+m];
}
//除第一以外的高斯分布函数的初始化(均值、权值和匹配次数都置零)
for(k=1;k { bg_model->g_point[n].g_values[k].weight=0; bg_model->g_point[n].g_values[k].match_sum=0; for(m=0;m bg_model->g_point[n].g_values[k].variance[m]=var_init; bg_model->g_point[n].g_values[k].mean[m]=0; } } } }//g_point[]: 像素,g_values[]: 高斯分布函数,mean[]: 通道 bg_model->countFrames=0; __END__; if(cvGetErrStatus()<0) { CvBGStatModel*base_ptr=(CvBGStatModel*)bg_model; if(bg_model&&bg_model->release) bg_model->release(&base_ptr); else cvFree(&bg_model); bg_model=0; } return(CvBGStatModel*)bg_model; } cvUpdateBGStatModel(videoFrame,bgModel); typedefint(CV_CDECL*CvUpdateBGStatModel)(IplImage*curr_frame,structCvBGStatModel*bg_model); /////////////////////////cvUpdateBGStatModel////////////////////////////////// //函数功能: 背景模型的更新,不仅要更新高斯分布函数的参数,还要更新各高斯函数的权重 staticintCV_CDECLicvUpdateGaussianBGModel(IplImage*curr_frame,CvGaussBGModel*bg_model) { inti,j,k,n; intregion_count=0; CvSeq*first_seq=NULL,*prev_seq=NULL,*seq=NULL; bg_model->countFrames++; for(i=0,n=0;i { for(j=0;j { intmatch[CV_BGFG_MOG_MAX_NGAUSSIANS]; //对高斯函数做标记,match[m]=1表示函数m为匹配的高斯分布函数 doublesort_key[CV_BGFG_MOG_MAX_NGAUSSIANS];//此数组存贮每个高斯函数的均值与方差比值 constintnChannels=curr_frame->nChannels; constintp=curr_frame->widthStep*i+j*nChannels; CvGaussBGPoint*g_point=&bg_model->g_point[n]; constCvGaussBGStatModelParamsbg_model_params=bg_model->params; doublepixel[4]; //pixel[]存贮当前像素的各通道RGB值 intno_match; for(k=0;k pixel[k]=(uchar)curr_frame->imageData[p+k]; no_match=icvMatchTest(pixel,nChannels,match,g_point,&bg_model_params);//检查是否有与当前像素匹配的高斯函数 if(bg_model->countFrames>=bg_model->params.win_size)? ? ? ? ? ? ? ? ? ? ? ? ? { icvUpdateFullWindow(pixel,nChannels,match,g_point,&bg_model->params); if(no_match==-1) icvUpdateFullNoMatch(curr_frame,p,match,g_point,&bg_model_params); } else { icvUpdatePartialWindow(pixel,nChannels,match,g_point,&bg_model_params); if(no_match==-1) icvUpdatePartialNoMatch(pixel,nChannels,match,g_point,&bg_model_params); } icvGetSortKey(nChannels,sort_key,g_point,&bg_model_params); icvInsertionSortGaussians(g_point,sort_key,(CvGaussBGStatModelParams*)&bg_model_params); icvBackgroundTest(nChannels,n,i,j,match,bg_model); } } //foregroundfiltering //filtersmallregions cvClearMemStorage(bg_model->storage); //cvMorphologyEx(bg_model->foreground,bg_model->foreground,0,0,CV_MOP_OPEN,1); //cvMorphologyEx(bg_model->foreground,bg_model->foreground,0,0,CV_MOP_CLOSE,1); cvFindContours(bg_model->foreground,bg_model->storage,&first_seq,sizeof(CvContour),CV_RETR_LIST); for(seq=first_seq;seq;seq=seq->h_next) { CvContour*cnt=(CvContour*)seq; if(cnt->rect.width*cnt->rect.height { //deletesmallcontour prev_seq=seq->h_prev; if(prev_seq) { prev_seq->h_next=seq->h_next; if(seq->h_next)seq->h_next->h_prev=prev_seq; } else { first_seq=seq->h_next; if(seq->h_next)seq->h_next->h_prev=NULL; } } else { region_count++; } } bg_model->foreground_regions=first_seq; cvZero(bg_model->foreground); cvDrawContours(bg_model->foreground,first_seq,CV_RGB(0,0,255),CV_RGB(0,0,255),10,-1); returnregion_count; } /////////////////////////////////////icvMatchTest////////////////////////////////////////// //函数功能: 拿当前像素的值与已存在的高斯分布函数比较,查找是否存在匹配的的高斯分布函数,如果有则返回k值(高斯分布函数的序号) staticinticvMatchTest(double*src_pixel,intnChannels,int*match, constCvGaussBGPoint*g_point, constCvGaussBGStatModelParams*bg_model_params) { //参数的传递: src_pixel为piexl[]: 即当前像素的各通道值 intk; intmatchPosition=-1; for(k=0;k match[k]=0; for(k=0;k if(g_point->g_values[k].match_sum>0) { doublesum_d2=0.0; doublevar_threshold=0.0; for(intm=0;m { doubled=g_point->g_values[k].mean[m]-src_pixel[m];//通道m的原始模型值与当前像素的值之差 sum_d2+=(d*d); var_threshold+=g_point->g_values[k].variance[m]; } //当前sum_d2为d0,d1,d2的平方和,var_threshold的值为像素各通道方差之和 var_threshold=bg_model_params->std_threshold* bg_model_params->std_threshold*var_threshold; if(sum_d2 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? { match[k]=1; matchPosition=k; break;//如果和第k个高斯函数匹配,则终止与后续函数的匹配 } } returnmatchPosition; } ///////////////////////icvUpdateFullWindow//////////////////////////////////////// //函数功能: 更新每个高斯分布的权值(对匹配的高斯函数k加大权值,其余的则减小权值),如果前面的结果中存在匹配的高斯分布函数k,则需要再对第k个高斯分布函数的均值mean和方差variance做修正 staticvoidicvUpdateFullWindow(double*src_pixel,intnChannels,int*match, CvGaussBGPoint*g_point, constCvGaussBGStatModelParams*bg_model_params) {//参数的传递: src_pixel为piexl[]: 即当前帧中该像素的RGB值 constdoublelearning_rate_weight=(1.0/(double)bg_model_params->win_size);//用户自定义模型学习率a for(intk=0;k { //对每个高斯分布的权值做修正: w=(1-a)w+a*m(a: 模型学习率,m是匹配,匹配就是1,不匹配就是0)
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 混合 模型 别人 解释 代码