目標檢測中背景建模方法

註：    文章轉載於：http://www.cnblogs.com/ronny

最近一直在做前景檢測方面的研究，剛開始主要是做一些工程性的應用，為瞭解決工程方面的問題，下了不少功夫，也看了不少最近國內外的文章。一直想做個總結，拖著拖著，終究卻寫成這篇極不成功的總結。     

 背景建模或前景檢測的演算法主要有：

1. Single Gaussian (單高斯模型)

Real-time tracking of the human body

2. 混合高斯模型（Mixture of Gaussian Model）

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

3. 滑動高斯平均（Running Gaussian average）---Single Gaussian

Real-time tracking of the human body

對於單高斯和混合高斯估計大家都熟悉，這裡不再累述（混合高斯在現有的背景建模演算法中應該算是比較好的，很多新的演算法或改進的演算法都是基於它的一些原理的不同變體，但混合高斯演算法的缺點是計算量相對比較大，速度偏慢，對光照敏感）；

4. 碼本 (CodeBook)

Real-time foreground–background segmentation using codebook model

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

對與Codebook演算法，曾經做過實驗，效果還可以，後來也有多種變體，沒有進一步的進行研究，但演算法對光照也敏感）；

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

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

對於自組織背景建模演算法即SOBS演算法，該演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，但是可以通過平行處理來解決演算法的速度問題，可以進行嘗試；

6. 樣本一致性背景建模演算法 (SACON)

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

SACON演算法是基於統計的知識，代碼實現過，並做過實驗，效果還可以，但沒有進一步的分析；

7. VIBE演算法

vibe

ViBe-A Universal Background Subtraction

VIBE演算法是B哥的一個大作，網上有現成的演算法可用，但已申請了專利，用於做研究還是可以的，該演算法速度非常快，計算量比較小，而且對雜訊有一定的魯棒性，檢測效果不錯；

8. 基於顏色資訊的背景建模方法（Color)

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

基於顏色資訊的背景建模方法,簡稱Color演算法，該演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，並有比較好的效果，計算速度也比較快，基本可以滿足即時性的要求，做了許多視頻序列的檢測，效果比較理想；

9. 統計平均法

10. 中值濾波法( Temporal Median filter)

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，對於這兩個演算法，只對統計平均法做了實現，並進行了測試，演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演算法應該是最早被用於實際應用的一個演算法，這個大家可以去查看相關的資料，這裡不再細說；

12. 本徵背景法

A Bayesian computer vision system for modeling human interactions

本徵背景法沒實現過，看很多文獻有講解，然後該演算法又是基於貝葉斯架構，本人一直對貝葉斯架構不感冒，理論上很Perfect，實際應用就是Shit（無意冒犯貝氏粉絲，如有冒犯，請繞路，勿吐口水）；

13. 核密度估計方法

Non-parametric model for background subtraction

最後就是核密度估計演算法，該演算法應該是一個比較魯棒的演算法，可以解決很多演算法參數設定方面的問題，無需設定參數應該是演算法的一大優勢。

 

個人觀點：SOBS、Color、VIBE、SACON、PDF等可以進行深入的瞭解，特別是近年來出現的Block-based或Region-Based、Features-Based、基於層次分類或層次訓練器的演算法可以進行深入的研究。

推薦一篇綜述文章：Evaluation of Background Subtraction Techniques for Video Surveillance

再推薦一個網站：http://www.changedetection.net/