Background Subtraction and Modeling 常見的目標檢測中的背景建模方法漫談

轉載者的話：

最近一直在看background subtraction and modeling。正如如下連結的第一個回帖所說，背景建模雖然最近研究不是很熱，但對視頻的處理至關重要，甚至直接影響一個系統的成敗。研究不熱的原因可能是因為能挖掘的方法都差不多了，剩下的就是個人消化和理解了。有時一種方法不一定管用，可能需要好幾種組合起來才能有效，而且在不用的情境下需要不同的參數，這些都是在具體實驗中才能確定。從這個意義來說，瞭解背景減除和建模的現有演算法很有意義，可以針對自己的特定任務和要求，從中提取自己想要的方法。廢話不多少了，上本文。

=============================華麗麗的分割符==============================

http://cvchina.net/thread-2351-1-1.html

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

    4.碼本 (CodeBook)

            Real-time foreground–background segmentation using codebook model

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

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

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

    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

     7. VIBE演算法

           vibe

           ViBe-A Universal Background Subtraction

     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

    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

     11. W4方法

           W4.pdf

     12. 本徵背景法

           A Bayesian computer vision system for modeling human interactions

    13. 核密度估計方法

           Non-parametric model for background subtraction

      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）；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）；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；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；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；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；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；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；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）；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/