帮忙翻译，不要用软件和网站翻译的 谢谢~~~~~~~~~~

来源：百度知道 编辑：UC知道 时间：2024/05/25 06:05:52
As raised in paper,a good background model must have the following features:high precision; with the two meanings of accuracy in shape detection and reactivity to changes in time; flexibility in difference lighting conditions; and efficiency in order to provided in real-time. Many background subtraction methods have been proposed in the past decades including Running Gaussian Average , Temporal Median Filter , Mixture of Gaussians , Kernel Density Estimation,Kalman Filter , and Cooccurence of Image Variations .Among these methods, Mixture ofGaussian may be the most wildly used one. Although GMM is a robust method for background modeling, some shortcomings were discussed in some literatures and the corresponding improving methods were raised.the author pointed out two weaknesses Firstly, if the first value of a given pixel is a foreground object, there would be only one Gaussian where its weight equals unity, thus, it will take a long time until the genuine background can be considered

如被上升在纸，一个好背景模型必须有以下特点：高精度; 准确性和反应性的二个意思在形状侦查的对变化的在时间上; 在区别采光条件的灵活性; 并且在实时为了提供的效率。 许多背景减法方法在过去十年提议包括跑高斯平均、世俗中间Gaussians过滤器、混合物，仁密度估计、Kalman图象变异过滤器和Cooccurence。在这些方法之中， ofGaussian的混合物也许是胡乱地半新一个。 虽然GMM是塑造的背景的一个健壮方法，有些缺点在有些literatures被谈论了，并且对应的改善的方法只是raised.the作者指出了二个弱点首先，如果一个被测量的映象点的第一价值是前景对象，那里是一个高斯它的重量合计团结的地方，因而，将需要直到真正背景的很长时间可以被考虑作为背景和很长时间，直到它将是统治背景组分。因为没有几乎干净的背景，模型在繁忙的环境里不会很好运作。 作者使用一次期望的足够的统计更新等式开始他们估计高斯混合物模型，然后换成L最近窗口版本，当第一L样品被处理时，并且得到了一个好成绩。 其次， p太小归结于可能因素。 这带领太减慢在手段和协方差矩阵的适应，因此跟踪仪可以在初始化以后的一些秒钟内无法。 他们删去从p的可能期限解决这个问题。 作者运用了这个模型用不同的彩色空间，比较了他们的表现并且认为， YCbC是分割的最适当的彩色空间。 作者合并背景重建和前景mergence时间控制到Gaussians里能适应的混合物，为了修建从录影序列的一个静态背景图象和使前景mergence时间可调整和独立模型的学习的率。 作者建立了根据高斯模型混合物的一个贝叶斯框架决定属于前景或背景的映象点。阴影排除近年来成为了一个活跃研究领域。 许多在literatures遮蔽消元法提议。 作者在YCbCr彩色空间修造了GMM。 根据在以下等式描述YCbC和RGB的关系：
使用K高斯发行，混合物提出的GMM倾向于描述背景映象点。 因此，它可能应付更加复杂的背景场面，例如挥动的叶子和拍动旗子。 在时间t，观察背景映象点的可能性x，是Kdistributions的被衡量的总和：

如被上升在纸，一个好背景模型必须有以下特点：高精密度; 以准确性在形状侦查和反应性的二个意思对在时间上的变化; 灵活性在区别照明设备情况; 并且在实时为了提供的效率。 许多背景减法方法在过去