常见的目标检测中的背景建模方法

拼搏现实的明天。 2021-10-30 02:54 310阅读 0赞

*Author: JW. ZHOU*

*2014/6/13*

最近一直在做前景检测方面的研究，刚开始主要是做一些工程性的应用，为了解决工程方面的问题，下了不少功夫，也看了不少最近国内外的文章。一直想做个总结，拖着拖着，终究却写成这篇极不成功的总结。

背景建模或前景检测的算法主要有：

**1. Single Gaussian (****单高斯模型****)**

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.** **滑动高斯平均（****Running Gaussian average****）****---Single Gaussian**

Real-time tracking of the human body

**4.** **码本** **(CodeBook)**

Real-time foreground–background segmentation using codebook model

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

**5.** **自组织背景检测****( SOBS-Self-organization background subtraction)**

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

**6.** **样本一致性背景建模算法** **(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****算法**

ViBe-A Universal Background Subtraction

**8.** **基于颜色信息的背景建模方法（****Color)**

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

**9.** **统计平均法**

**10.** **中值滤波法****( 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.** **本征背景法**

A Bayesian computer vision system for modeling human interactions

**13.** **核密度估计方法**

Non-parametric model for background subtraction

对于单高斯和混合高斯估计大家都熟悉，这里不再累述（混合高斯在现有的背景建模算法中应该算是比较好的，很多新的算法或改进的算法都是基于它的一些原理的不同变体，但混合高斯算法的缺点是计算量相对比较大，速度偏慢，对光照敏感，*不过作出一些改进还是可以用的，好多公司都是用这个算法的改进版，还是可以进行算法和逻辑上优化的*）；对与Codebook算法，曾经做过实验，效果还可以，后来也有多种变体，没有进一步的进行研究，但算法对光照也敏感，*以前一个同学做过，感觉特别耗时*）；对于自组织背景建模算法即SOBS算法，该算法对光照有一定的鲁棒性，但MAP的模型比输入图片大，计算量比较大，但是可以通过并行处理来解决算法的速度问题，可以进行尝试；SACON算法是基于统计的知识，代码实现过，并做过实验，效果还可以，但没有进一步的分析；VIBE算法是B哥的一个大作，网上有现成的算法可用，但已申请了专利，用于做研究还是可以的，该算法速度非常快，计算量比较小，而且对噪声有一定的鲁棒性，检测效果不错；基于颜色信息的背景建模方法,简称Color算法，该算法将像素点的差异分解成Chromaticity差异和Brightness差异，对光照具有很强的鲁棒性，并有比较好的效果，计算速度也比较快，基本可以满足实时性的要求，做了许多视频序列的检测，效果比较理想；统计平均法和中值滤波法，对于这两个算法，只对统计平均法做了实现，并进行了测试，算法的应用具有很大的局限性，只能算是理论上的一个补充；W4算法应该是最早被用于实际应用的一个算法，这个大家可以去查看相关的资料，这里不再细说；本征背景法没实现过，看很多文献有讲解，然后该算法又是基于贝叶斯框架；最后就是核密度估计算法，该算法应该是一个比较鲁棒的算法，可以解决很多算法参数设置方面的问题，无需设置参数应该是算法的一大优势。

个人观点：SOBS、Color、VIBE、SACON、PDF等可以进行深入的了解，特别是近年来出现的Block-based或Region-Based、Features-Based、基于层次分类或层次训练器的算法可以进行深入的研究。推荐一篇综述文章：Evaluation of Background Subtraction Techniques for Video Surveillance

再推荐一个网站：[http://www.changedetection.net/][http_www.changedetection.net]

\[参考文献或资料来源\]

\[1\] [http://cvchina.net/blog-423-161.html][http_cvchina.net_blog-423-161.html]（貌似这个链接不可用了，作者请原谅啊[**Belial2010**][Belial2010]）

转载于:https://www.cnblogs.com/wangqiqi/p/3786366.html

[http_www.changedetection.net]: http://www.changedetection.net/
[http_cvchina.net_blog-423-161.html]: http://cvchina.net/blog-423-161.html
[Belial2010]: http://cvchina.net/space-uid-423.html