【背景建模】混合高斯模型的改进

参考文献　Improved Adaptive Gaussian Mixture Model for Background Subtraction　ICPR 2004

创新点：自适应调整K的大小，而不是固定的3~5.

实际场景中，不同的区域背景的状态个数通常是不一样的，随着场景的变化，同一个区域的状态个数也会经常改变．

在每帧中对所有像素的高斯模型都保持相同固定不变的高斯模型个数，会造成系统运算资源的浪费．

因此，需要根据场景自适应选择每个像素高斯模型的个数．

上面提到的参考文献利用最大似然估计提出了一种高斯模型个数的选择方法，引入了负的先验系数，当权值小于阈值时，减少高斯模型个数．

具体原理请看原文．权值的更新方式发生了改变，参考如下公式：

具体代码可参考Opencv里的代码实现，bgfg_gaussmix2.cpp

参考文献　基于自适应混合高斯模型的时空背景建模　自动化学报　2009

该文献中提到自适应调整k值的另外一种方法

过期高斯模型：利用这些高斯模型进行学习更新比用一个新的高斯模型学习更新所花费的时间更长．

过期高斯模型的判别公式如下：

当某个高斯模型的权重小于初始权重，且该高斯模型的权重与方差的商小于初始的权重与方差的商时，

经过排序，该高斯模型将会被排在新初始化的高斯模型之后，即为过期的高斯模型．

进行更新处理时，若混合高斯模型中存在过期的高斯模型，则删除．