運(yùn)動(dòng)前景對(duì)象檢測(cè)一直是國(guó)內(nèi)外視覺監(jiān)控領(lǐng)域研究的難點(diǎn)和熱點(diǎn)之一，其目的是從序列圖像中將變化區(qū)域從背景圖像中提取出來，運(yùn)動(dòng)前景對(duì)象的有效檢測(cè)對(duì)于對(duì)象跟蹤、目標(biāo)分類、行為理解等后期處理至關(guān)重要，那么區(qū)分前景對(duì)象，非常關(guān)鍵的一個(gè)問題是確定一個(gè)非常合適的背景，背景從象素的角度來理解，每一個(gè)象素就是有可能是前景點(diǎn)，也有可能是背景點(diǎn)，那么我們就要防止背景中誤進(jìn)入原屬于前景點(diǎn)的對(duì)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(yīng)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(gè)像素點(diǎn)的特征，當(dāng)獲取新的圖像幀時(shí)，適時(shí)更新混合高斯分布模型，某一時(shí)刻選取混合高斯模型中的一個(gè)子集表征當(dāng)前背景，如果當(dāng)前圖像幀的某個(gè)像素點(diǎn)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(diǎn)。總體來說是通過學(xué)習(xí)與訓(xùn)練計(jì)算出有沒有運(yùn)動(dòng)對(duì)象時(shí)的背景?

3:Running?Gaussian?average(滑動(dòng)高斯平均）

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

混合高斯在現(xiàn)有的背景建模算法中算是較好的，很多新的算法或者改進(jìn)的算法都是基于它的原理變形的，但是混合高斯的缺點(diǎn)是計(jì)算量相對(duì)比較大，速度偏慢，對(duì)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(duì)光照也敏感；?

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

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

??對(duì)于自組織背景建模算法即SOBS算法，該算法對(duì)光照有一定的魯棒性，但MAP的模型比輸入圖片大，計(jì)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(jìn)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(tǒng)計(jì)的知識(shí)，效果還不錯(cuò)；?

7：ViBe算法

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

???作者網(wǎng)站：http://www2.ulg.ac.be/telecom/research/vibe/

???ViBe算法是一個(gè)有別于傳統(tǒng)方法的算法，作者已經(jīng)申請(qǐng)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(jì)算量比較小，速度很快，可以嵌入到相機(jī)中，可以抗攝像頭抖動(dòng)，并且對(duì)噪聲也有一定的魯棒性，檢測(cè)效果很不錯(cuò)；?

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(jiǎn)稱Color算法，該算法將像素點(diǎn)的差異分解成Chromaticity差異和Brightness差異，對(duì)光照具有很強(qiáng)的魯棒性，并有比較好的效果，計(jì)算速度也比較快，基本可以滿足實(shí)時(shí)性的要求，做了許多視頻序列的檢測(cè)，效果比較理想；?

9：統(tǒng)計(jì)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(tǒng)計(jì)平均法和中值濾波法，對(duì)于這兩個(gè)算法，只對(duì)統(tǒng)計(jì)平均法做了實(shí)現(xiàn)，并進(jìn)行了測(cè)試，算法的應(yīng)用具有很大的局限性，只能算是理論上的一個(gè)補(bǔ)充；?

11：W4方法

????W4.pdf

W4算法應(yīng)該是最早被用于實(shí)際應(yīng)用的一個(gè)算法，這個(gè)大家可以去查看相關(guān)的資料，這里不再細(xì)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(jì)

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

最后就是核密度估計(jì)算法，該算法應(yīng)該是一個(gè)比較魯棒的算法，可以解決很多算法參數(shù)設(shè)置方面的問題，無需設(shè)置參數(shù)應(yīng)該是算法的一大優(yōu)勢(shì)。?

????SOBS、Color、VIBE、SACON、PDF等可以進(jìn)行深入的了解，特別是近年來出現(xiàn)的Block-based（塊）或Region-Based（區(qū)域）、Features-Based（特征）、基于層次分類或?qū)哟斡?xùn)練器的算法可以進(jìn)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(chǎng)，當(dāng)運(yùn)動(dòng)物體的影象在表面上的模式運(yùn)動(dòng)就是所謂的光流場(chǎng)，是一個(gè)二維速度場(chǎng)。而光流法根據(jù)連續(xù)多幀圖像序列，計(jì)算各象素點(diǎn)運(yùn)動(dòng)的大小和方向，它反映了圖像上每一像點(diǎn)灰度的變化趨勢(shì)。優(yōu)點(diǎn)：不需要背景建模，在無法預(yù)先獲得場(chǎng)景的任何信息的情況下，也能夠檢測(cè)出獨(dú)立的運(yùn)動(dòng)對(duì)象。缺點(diǎn)是計(jì)算復(fù)雜，往往需要特殊的硬件支持，很難滿足實(shí)時(shí)性要求。?

15：http://code.google.com/p/bgslibrary/?這個(gè)網(wǎng)站的庫(kù)包含了各種各樣背景減除的方法，可以省很多時(shí)間。?

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

綜述性評(píng)估文章，可以看到各種算法的性能。?

17：王先榮博客對(duì)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(jìn)行差分運(yùn)算。提取效果顯然與運(yùn)動(dòng)前景對(duì)象的速度和幀率有關(guān)（幀率指一秒鐘有幾張圖片）。擴(kuò)展下，建立在統(tǒng)計(jì)模型基礎(chǔ)上的有選擇的背景建模，實(shí)際上就是混合高斯法。優(yōu)點(diǎn)：速度較快，穩(wěn)定性較好。缺點(diǎn)是可能出現(xiàn)物體的“空洞現(xiàn)象”，空洞是由于某一大型運(yùn)動(dòng)物體，它的兩幀之間存在象素十分接近的重合部分，所以導(dǎo)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(yù)先設(shè)定的固定的一幅圖像，這里必然引入了四個(gè)問題：光照變化，攝像機(jī)抖動(dòng)，高頻率振蕩背景，運(yùn)動(dòng)轉(zhuǎn)靜止物體的干擾。優(yōu)點(diǎn)：計(jì)算簡(jiǎn)單，易于實(shí)現(xiàn)。缺點(diǎn)是攝象頭要絕對(duì)靜止，而且不適應(yīng)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(wǎng)站

???（PBAS）檢測(cè)算法是基于像素的無參數(shù)模型，該算法結(jié)合了SACON和VIBE兩個(gè)算法的優(yōu)勢(shì)，并在這兩個(gè)算法的基礎(chǔ)上改進(jìn)而來；

主要?jiǎng)?chuàng)新點(diǎn)：

?（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(yīng)變化，隨背景的復(fù)雜程度變化。

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

?

總結(jié)

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?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。