刘永福，谭建斌

（1.广东理工职业学院 广东 广州 510091；2.佛山职业技术学院 广东 佛山 528137）

目前，国外学者提出了多种针对不同应用条件的背景模型。Wren C的实时系统[1]对跟踪对象采用多类的统计模型，在初始化一个没有运动物体的背景后，这个系统能得到较好的效果，但在户外环境中，该算法跟踪效果不佳。Ridder C等人[2]采用Kalman滤波，对每个像素构建一个模型，该算法虽然能适应灯光的变化，但背景自适应能力缓慢，处理多层次的背景没获得满意的结果。

Friedman N等人[3]利用自适应混合高斯模型在处理光照变化、树叶抖动等获得较好的效果，但混合高斯背景模型采用固定学习权重，难以适应运动目标运动快慢变化。更新权重高导致慢运动目标误判为背景并引入大量噪声；更新权重低则在停滞物体逃离背景时长时间留下前景运动物体和降低对光照变化的适应能力。

针对上述问题，对传统混合高斯模型作了改进，设计了自适应学习权重。结果表明基于改进的跟踪系统获得良好效果。

1 混合高斯背景模型

1.1 混合高斯密度函数

Grimson 和 Stauffer中提出的背景模型[4-5]采用K（3～5）个高斯分布统计每帧中相同像素点的最近t帧值 （X1，X2，…，Xt），从而得到下一像素点值在当前帧的密度概率函数：

式中，ωi，t表示t帧的值（X1，X2，…，Xt）落入第i个高斯分布的比率，μi，t和 Σi，t分别表示高斯分布的期望值和方差，Σi，t=（假设像素点的GRB个分量互相独立，且有相同的方差，I为单位矩阵）。K个高斯分布总是按照优先级 λi，t=ωi，t/σi2，t（i=1，2，…，K）从高到低的次序排列，ηi，t为与 ωi，t对应的高斯分布。……