背景建模--Vibe演算法

一、概述

       2009 年，Marc Van Droogenbroeck 等人提出了一種新的背景建模法： Vibe（Visual Background Extractor）演算法。Vibe 是一種通用的運動目標檢測演算法，對於視頻流類型、色彩空間、情境內容沒有特定要求。首次將隨機播放機制引入到背景建模中，通過隨機播放樣本估計背景模型的方式描述實際情境的隨機波動性。通過調節時間二次抽樣因子，使極少的樣本值就能覆蓋所有的背景樣本，兼顧了準確率和計算負載。抑噪能力強，雜訊等幹擾資訊在傳播之前須與背景模型相匹配，顯而易見，無法匹配，從而抑制了幹擾資訊的傳播。Vibe 分為初始化背景模型和更新背景模型兩個步驟。

二、演算法基本思想

         Vibe 的基本思想：為每個像素點建立一個樣本背景模型（背景模型中包含N 個樣本值），計算待分類像素與背景模型的相似性，如果相似，則分類為背景。其中，相似性根據待分類像素（圖 3.1 中的 p(x)）與背景模型中所有 N 個樣本（圖 3.1 中的 p1,……,p8）的歐式距離小於一定閾值（圖 3.1 中的 R）的個數（圖 3.1 中在球體 SR(p(x))內的樣本總數）來決定，若個數大於一個給定的最小閾值 Umin，則為相似，否則為不相似。

                                               

      為每個像素點建立一個包含 N 個樣本值的背景模型，其數學運算式如下：

                                         

     式中 pi(i=1,2,……,N)表示背景樣本集中的第 i 個樣本值。為了比較待分類像素與背景模型的相似性，定義一個以 p(x)為中心，R 為半徑的球體 SR(p(x))，用U 表示背景模型 M(x)和球體 SR(p(x))的交集，U 表示一個相似性函數，當 U 大於一個給定的閾值 Umin時，待分類像素 p(x)與背景模型相似，分類為背景，其數學運算式如下：

                                                                                       

     根據上式，計算 p(x)與 N 個背景樣本的歐式距離，判斷是否小於閾值 R。在實際處理中，一旦找到 Umin個樣本匹配時，像素 p(x)分類為背景，停止計算，從而提高運算效率。

         Vibe 背景模型的準確度只取決於球體半徑 R 和最小閾值 Umin。實驗表明，R=20，Umin=2，效果最佳。通常，無需調整每個模型的 N、R、Umin值。其中，N 和 Umin的比率確定了背景模型的敏感度。

                                                                                            

三、背景模型初始化