高斯模型Word格式.docx
《高斯模型Word格式.docx》由会员分享，可在线阅读，更多相关《高斯模型Word格式.docx（14页珍藏版）》请在冰豆网上搜索。
接下来再读取当前帧时，更新高斯模型
regioncount=icvUpdateGaussianBGModel（currframe,bg_model）;
regioncount的含义我不确定，我理解是代表背景中不同颜色区域的个数，这个参数我没有用到，它只是icvUpdateGaussianBGModel函数的返回值。
3。
现在bg_model已经保存了经过高斯混合模型分类后的结果，bg_model->
background保存了背景图像，bg_model->
foreground保存了前景图像。
include<
stdio.h>
#include<
cv.h>
cxcore.h>
highgui.h>
cvaux.h>
//必须引此头文件
intmain（intargc,char**argv）
{
IplImage*pFrame=NULL;
IplImage*pFrImg=NULL;
IplImage*pBkImg=NULL;
CvCapture*pCapture=NULL;
intnFrmNum=0;
cvNamedWindow（"
video"
1）;
background"
1）;
foreground"
cvMoveWindow（"
30,0）;
360,0）;
690,0）;
if（argc>
2）
fprintf（stderr,"
Usage:
bkgrd[video_file_name]\n"
）;
return-1;
}
//打开视频文件
if（argc==2）
if（!
（pCapture=cvCaptureFromFile（argv[1]）））
Cannotopenvideofile%s\n"
argv[1]）;
return-2;
//打开摄像头
if（argc==1）
（pCapture=cvCaptureFromCAM（-1）））
Cannotopencamera.\n"
//初始化高斯混合模型参数
CvGaussBGModel*bg_model=NULL;
while（pFrame=cvQueryFrame（pCapture））
nFrmNum++;
if（nFrmNum==1）
pBkImg=cvCreateImage（cvSize（pFrame->
width,pFrame->
height）,IPL_DEPTH_8U,3）;
pFrImg=cvCreateImage（cvSize（pFrame->
height）,IPL_DEPTH_8U,1）;
//高斯背景建模，pFrame可以是多通道图像也可以是单通道图像
//cvCreateGaussianBGModel函数返回值为CvBGStatModel*，
//需要强制转换成CvGaussBGModel*
bg_model=（CvGaussBGModel*）cvCreateGaussianBGModel（pFrame,0）;
else
//更新高斯模型
cvUpdateBGStatModel（pFrame,（CvBGStatModel*）bg_model）;
//pFrImg为前景图像，只能为单通道
//pBkImg为背景图像，可以为单通道或与pFrame通道数相同
cvCopy（bg_model->
foreground,pFrImg,0）;
background,pBkImg,0）;
//把图像正过来
pBkImg->
origin=1;
pFrImg->
cvShowImage（"
pFrame）;
pBkImg）;
pFrImg）;
if（cvWaitKey
（2）>
=0）
break;
//释放高斯模型参数占用内存
cvReleaseBGStatModel（（CvBGStatModel**）&
bg_model）;
cvDestroyWindow（"
cvReleaseImage（&
pFrImg）;
pBkImg）;
cvReleaseCapture（&
pCapture）;
return0;
}
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
release=（CvReleaseBGStatModel）icvReleaseGaussianBGModel;
update=（CvUpdateBGStatModel）icvUpdateGaussianBGModel;
params=params;
//preparestorages
CV_CALL（bg_model->
g_point=（CvGaussBGPoint*）cvAlloc（sizeof（CvGaussBGPoint）*
（（first_frame->
width*first_frame->
height）+256）））;
background=cvCreateImage（cvSize（first_frame->
width,
first_frame->
height）,IPL_DEPTH_8U,first_frame->
nChannels））;
foreground=cvCreateImage（cvSize（first_frame->
height）,IPL_DEPTH_8U,1））;
storage=cvCreateMemStorage（））;
//initializing
var_init=2*params.std_threshold*params.std_threshold;
//初始化方差
g_point[0].g_values=
（CvGaussBGValues*）cvAlloc（sizeof（CvGaussBGValues）*params.n_gauss*
（first_frame->
height+128）））;
for（i=0,n=0;
i<
height;
i++）//行
for（j=0;
j<
width;
j++,n++）//列
{
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
g_point[n].g_values=bg_model->
g_point[0].g_values+n*params.n_gauss;
g_point[n].g_values[0].weight=1;
//权值赋为1
g_point[n].g_values[0].match_sum=1;
//高斯函数被匹配的次数
for（m=0;
m<
m++）
g_point[n].g_values[0].variance[m]=var_init;
//均值赋为当前像素的值
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<
params.n_gauss;
k++）
g_point[n].g_values[k].weight=0;
g_point[n].g_values[k].match_sum=0;
m++）{
g_point[n].g_values[k].variance[m]=var_init;
g_point[n].g_values[k].mean[m]=0;
}//g_point[]:
像素，g_values[]:
高斯分布函数，mean[]:
通道
countFrames=0;
__END__;
if（cvGetErrStatus（）<
0）
CvBGStatModel*base_ptr=（CvBGStatModel*）bg_model;
if（bg_model&
&
release）
release（&
base_ptr）;
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;
countFrames++;
curr_frame->
i++）
j++,n++）
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->
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;
nChannels;
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,&
params）;
if（no_match==-1）
icvUpdateFullNoMatch（curr_frame,p,match,g_point,&
升级会员 