1、背景建模是運動目標檢測和跟蹤的基礎部分,在智能監(jiān)控、機器人視覺、視頻會議等領域有著廣泛的應用。參數(shù)化的混合高斯背景模型可對存在漸變及重復性運動的場景進行建模,被認為是最好的背景模型之一。然而,它不能解決場景中存在的突變,存在陰影、噪聲時容易導致誤檢或漏檢現(xiàn)象。同時,該方法要求事先知道背景先驗概率與觀測下的條件概率的值,但在一些復雜的應用場景中,這些概率函數(shù)的形式是未知的。而非參數(shù)化背景建模方法,它不需要預先假定模型的密度分布形式,直接通

2、過數(shù)據估計未知密度函數(shù),避免了模型形式假定和優(yōu)化等問題。本文通過對非參數(shù)化背景建模的深入研究,取得以下成果:
　　 1.深入分析研究了目前常用的幾種自適應動態(tài)背景建模方法,并對其優(yōu)點和存在的問題進行了總結和比較。
　　 2.深入研究了混合高斯背景建模方法,并提出了一種具有陰影減除的混合高斯背景建模,該方法以混合高斯背景建模方法為基礎,嵌入了基于HSV顏色特征的陰影檢測,去除了噪聲和陰影的干擾,在一定程度上提高了對運動目標