對此算法的關注來自2017研究生數學建模D題問題五。
問題5：如何通過從不同角度同時拍攝的近似同一地點的多個監控視頻中（如圖3所示）有效檢測和提取視頻前景目標？請充分考慮并利用多個角度視頻的前景之間（或背景之間）相關性信息（一些典型視頻可從
http://cvlab.epfl.ch/research/surv/multi-people-tracking下載）

圖3 在室內同一時間從不同角度拍攝同一地點獲得的視頻幀

轉自：http://blog.csdn.net/ctygehm/article/details/45747999

緣起
這個算法在國內不多見，百度谷歌也沒有看到相關的資料，感覺這個算法是變分法在貝葉斯框架下的視覺算法中的一個很好的應用，所以就把自己以前整理的一些內容貼出來了。

什么是POM
Probabilistic Occupancy Map， 用于計算物體在平面上存在的概率，
原文見https://infoscience.epfl.ch/record/145991/files/FleuretBLF08.pdf
代碼見https://cvlab.epfl.ch/research/surv/multi-people-tracking。
多個相機從不同角度監控同一場景，POM通過各視角運動檢測后的結果（二值圖像）計算所監控平面上運動物體出現的概率。具體地，首先將被監控平面劃分為等大小的矩形，每個矩形上有無物體（行人，后文不區分）的事件表示為Xi，當Xi=1時表示有行人，否則無，POM可得到Pr(Xi=1)使下式最大：

建模
根據貝葉斯公式，有：

求解
變分法。

說明
POM的運行速度很慢，文中通過積分圖加速POM的計算，可實際運行結果仍然很慢（1280×1024的圖像，4個視角，大概十幾秒處理一幀），不能實時運行，對一般監控任務而言不適用。但感覺這個方法相比一般多視角定位的方法，理論簡潔，效果良好。期待并行算法的出現！

總結

以上是生活随笔為你收集整理的概率占据图（POM）算法理解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。