An adaptive learning rate GMM for background extraction

从图象序列的背景抽取的急和稳定性是不兼容的，(GMM)如果景色的背景区域被改变，也就是说，常规Gaussian混合物什么时候当模特儿，被用来重建背景，提取背景变得坏直到转变完了。一个新奇适应方法被介绍在一个Hilbert空格调整GMM的学习的率。背景抽取被当作在Hilbert空格来临到某个点的进程因此即时学习率能被计算在二幅邻近的提取背景图象之间的距离获得，并且背景的稳定性的一个判断方法也被得到。与常规GMM相比，方法同时有高急和好稳定性，并且它能在网上调整学习的率。实验证明它比常规GMM好，特别在背景抽取的转变过程。