目标检测中背景建模方法

Posted 2022-12-03 xiaobai_xiaokele

本文转载自  http://cvchina.net/post/61.html

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

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）；

4. 码本 (CodeBook)

Real-time foreground–background segmentation using codebook model

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

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）；

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

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

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；

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

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；

7. VIBE算法

vibe

ViBe-A Universal Background Subtraction

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；

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

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；

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

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；

11. W4方法

W4.pdf

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；

12. 本征背景法

A Bayesian computer vision system for modeling human interactions

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，本人一直对贝叶斯框架不感冒，理论上很Perfect，实际应用就是Shit（无意冒犯贝氏粉丝，如有冒犯，请绕路，勿吐口水）；

13. 核密度估计方法

Non-parametric model for background subtraction

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/