運動前景對象檢測一直是國內外視覺監控領域研究的難點和熱點之一，其目的是從序列圖像中將變化區域從背景圖像中提取出來，運動前景對象的有效檢測對于對象跟蹤、目標分類、行為理解等后期處理至關重要，那么區分前景對象，非常關鍵的一個問題是確定一個非常合適的背景，背景從象素的角度來理解，每一個象素就是有可能是前景點，也有可能是背景點，那么我們就要防止背景中誤進入原屬于前景點的對象，目前有幾種常用的方法，但分別有利弊。

主要可以分為：背景建模，幀差法，光流法

1:?Single?Gaussian(單高斯模型）

???Real-time?tracking?of?the?human?body?

2:Mixture?of?Gaussian?model(混合高斯模型）

???An?improved?adaptive?background?mixture?model?for?real-time?tracking?with shadow?detection

???基于混合高斯模型的自適應背景差分算法，類似于幀間差分法，使用混合高斯分布模型來表征圖像幀中每一個像素點的特征，當獲取新的圖像幀時，適時更新混合高斯分布模型，某一時刻選取混合高斯模型中的一個子集表征當前背景，如果當前圖像幀的某個像素點與混合高斯模型的背景子集匹配，則判定為背景，否則判定為前景點。總體來說是通過學習與訓練計算出有沒有運動對象時的背景?

3:Running?Gaussian?average(滑動高斯平均）

????Real-tine?tracking?of?the?human?body

混合高斯在現有的背景建模算法中算是較好的，很多新的算法或者改進的算法都是基于它的原理變形的，但是混合高斯的缺點是計算量相對比較大，速度偏慢，對光照敏感。?

4：CodeBook(碼本）

Real-time?foreground-background?segmentation?using?codebook?model

Real-time?foreground-background?segmentation?using?a?modified?codebook?model

碼本的效果還可以，之后有多中版本,?但是對光照也敏感；?

5：SOBS-Self-organization?background?subtraction(自組織背景檢測）

??A?self-Organizing?approach?to?background?subtraction?for+visual?surveillance

??對于自組織背景建模算法即SOBS算法，該算法對光照有一定的魯棒性，但MAP的模型比輸入圖片大，計算量比較大，但是可以通過并行處理來解決算法的速度問題，可以進行嘗試；?

6：SACON(樣本一致性建模算法）

A?consensus-based?method?for?tracking

A?consensus-based?method?for?tracking-Modelling?background?scenario?and?foreground?appearance

SACON-Background?subtraction?based?on?a?robust?consensus?method

該方法是基于統計的知識，效果還不錯；?

7：ViBe算法

???ViBe-A?Universal?Background?Subtraction

???作者網站：http://www2.ulg.ac.be/telecom/research/vibe/

???ViBe算法是一個有別于傳統方法的算法，作者已經申請了專利，可以做研究，用一幀圖像就可以初始化背景模型，該方法計算量比較小，速度很快，可以嵌入到相機中，可以抗攝像頭抖動，并且對噪聲也有一定的魯棒性，檢測效果很不錯；?

8：Color(基于顏色信息的背景建模方法）

???A?statistical?approach?for?real-time?robust?background?subtraction?and?shadow?detection

???基于顏色信息的背景建模方法,簡稱Color算法，該算法將像素點的差異分解成Chromaticity差異和Brightness差異，對光照具有很強的魯棒性，并有比較好的效果，計算速度也比較快，基本可以滿足實時性的要求，做了許多視頻序列的檢測，效果比較理想；?

9：統計平均法?

10：Temporal?Median?filter（?中值濾波法）

????Automatic?congestion?detection?system?for?underground?platform

????Detecting?moving?objects,ghost,and?shadows?in?video?streams

????統計平均法和中值濾波法，對于這兩個算法，只對統計平均法做了實現，并進行了測試，算法的應用具有很大的局限性，只能算是理論上的一個補充；?

11：W4方法

????W4.pdf

W4算法應該是最早被用于實際應用的一個算法，這個大家可以去查看相關的資料，這里不再細說；?

12：本征背景法

A?Bayesian?computer?vision?system?for?modeling?human?interactions

????基于貝葉斯框架?

13：核密度估計

?????Non-parametric?model?for?background?subtraction

最后就是核密度估計算法，該算法應該是一個比較魯棒的算法，可以解決很多算法參數設置方面的問題，無需設置參數應該是算法的一大優勢。?

????SOBS、Color、VIBE、SACON、PDF等可以進行深入的了解，特別是近年來出現的Block-based（塊）或Region-Based（區域）、Features-Based（特征）、基于層次分類或層次訓練器的算法可以進行深入的研究。?

14：光流法（速度太慢，基本不用）

????光流法概念源自光流場，當運動物體的影象在表面上的模式運動就是所謂的光流場，是一個二維速度場。而光流法根據連續多幀圖像序列，計算各象素點運動的大小和方向，它反映了圖像上每一像點灰度的變化趨勢。優點：不需要背景建模，在無法預先獲得場景的任何信息的情況下，也能夠檢測出獨立的運動對象。缺點是計算復雜，往往需要特殊的硬件支持，很難滿足實時性要求。?

15：http://code.google.com/p/bgslibrary/?這個網站的庫包含了各種各樣背景減除的方法，可以省很多時間。?

16：Evaluation?of?Background?Subtraction?Techniques?for?Video?Surveillance

綜述性評估文章，可以看到各種算法的性能。?

17：王先榮博客對前景提取的分析（含代碼）

http://www.cnblogs.com/xrwang/archive/2010/02/21/ForegroundDetection.html?

18：幀差法

|frame(i)?-?frame(i-1)|?>?Th，背景就是上一幀圖像。每一幀與上一幀進行差分運算。提取效果顯然與運動前景對象的速度和幀率有關（幀率指一秒鐘有幾張圖片）。擴展下，建立在統計模型基礎上的有選擇的背景建模，實際上就是混合高斯法。優點：速度較快，穩定性較好。缺點是可能出現物體的“空洞現象”，空洞是由于某一大型運動物體，它的兩幀之間存在象素十分接近的重合部分，所以導致這部分被差分剪去了。（幀差法主要有，二幀差，三幀差，累積幀差）?

19：固定背景法

|frame(i)?-?background(i)|?>?Th，由于背景是預先設定的固定的一幅圖像，這里必然引入了四個問題：光照變化，攝像機抖動，高頻率振蕩背景，運動轉靜止物體的干擾。優點：計算簡單，易于實現。缺點是攝象頭要絕對靜止，而且不適應光照變化。?

20：Pixel-Based?Adaptive?Segmenter

Background?Segmentation?with?Feedback:?The?Pixel-Based?Adaptive?Segmenter

http://www.mmk.ei.tum.de/~hom/pbas??網站

???（PBAS）檢測算法是基于像素的無參數模型，該算法結合了SACON和VIBE兩個算法的優勢，并在這兩個算法的基礎上改進而來；

主要創新點：

?（1）引入控制論的思想，使前景判斷閾值和背景模型更新率自適應變化，隨背景的復雜程度變化。

（2） 引入背景復雜程度的度量方法，根據背景復雜程度調整前景判斷閾值和背景模型更新率。????

?

總結

以上是生活随笔為你收集整理的Pedestrian Identification (1) ——前景目标检测的全部內容，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。