背景建模--内核密度估计法
来源:互联网 发布:淘宝卖家取消订单投诉 编辑:程序博客网 时间:2024/05/02 06:45
一、原理
内核密度估计法又叫非参数模型法,它是将最近的N帧视频图像中的同像素点的亮度值I1,I2,...IN,利用高斯内核非数化的方法对该位置像素点的概率密度进行估计。
式(3-3)中,Kh表示窗宽为h的核函数,ai为归一化权值系数且
如果当前帧图像像素亮度的估计值小于预定的阈值,则判断为前景像素点�否则�则判断为背景像素点。该方法能够适应较快的背景变化,而且背景建模过程中允许存在运动目标,不仅能够处理背景中有光照变化的情况,还能处理树叶摇动、摄像机轻微移动等多模态分布情况,另外还可以通过该模型利用颜色信息抑制阴影。但该方法需要Ⅳ倍帧大小的内存,占用较多的计算机资源耗时较长。
0 0
- 背景建模--内核密度估计法
- Parzen窗法概率密度函数估计
- 核密度估计原理
- 核密度估计原理
- 核密度估计简介
- 核密度估计
- 概率密度估计简介
- 非参数密度估计
- 概率密度估计简介
- 概率密度估计简介
- 核密度估计(KDE)
- 概率密度函数估计
- 概率密度估计
- 人群密度估计 密度图的产生
- 背景建模-均值法(Matlab)高斯背景建模(opencv)
- 帧间差分法和背景建模法
- 非参数密度估计(直方图与核密度估计)
- 核密度估计与自适应带宽的核密度估计
- Ajax基础教程
- odoo 销售订单出库单操作代码简单剖析
- Android_指引点View
- 刀片服务器部署VMWare vSphere遇到的问题总结
- 几款好用的比较工具
- 背景建模--内核密度估计法
- linux内核研究(一)
- qt序列化 (二)
- java中正则表达式的使用(2)——列出百度搜索的前十项
- UIImageView的contentMode
- Wet Shark and Odd and Even
- Java中的接口
- iOS开发之遍历Model类的属性并赋值
- iOS AFNetworking 简单使用