背景減除

對背景建模，然后進(jìn)行背景減除剩下前景視作所求的目標(biāo)，也是目標(biāo)檢測的一類方法。背景模型的巨大變化即意味著目標(biāo)移動。

?

幀間差分是背景減除中的一個經(jīng)典算法。Wren等人提出用3D高斯函數(shù)對固定背景每個像素的顏色I(xiàn)(x,y)建模，I(x,y) ~ N(μ (x,y), Σ(x,y))。其中 μ (x,y)是均值, Σ(x,y)是協(xié)方差。這兩個數(shù)據(jù)通過對連續(xù)背景幀的觀測學(xué)習(xí)得到。由于顏色對光照敏感，單個高斯函數(shù)建模的模型不適用于戶外場景。

多形態(tài)混合統(tǒng)計模型的利用是背景建模的一個重大改進(jìn)。比如混合高斯模型，非參數(shù)核密度估計(Elgammal & Davis[2000])，紋理顏色特征融合(Li & Leung[2002])，以及分層模型(Toyama[1999])等，都是其中的重要算法。

將圖像表達(dá)為離散事件狀態(tài)也是一種背景減除方法。對有限的不同事件狀態(tài)分別進(jìn)行背景建模，根據(jù)該模型區(qū)分前景和背景。其中的代表算法是隱形馬爾科夫過程(HMM)在背景減除中的應(yīng)用。

特征空間分解方法(Oliver[2000])則是另一種思路，并非建模獨立像素點的變化，進(jìn)行背景減除。其對光照條件變化不敏感。

?

???????? 上述背景減除方法都有一個局限性，即只能處理靜態(tài)背景下的檢測。Monnet[2003], Zhong & Sclaroff[2003]提出了自回歸運動平均過程(ARMA), 可對背景的運動模型進(jìn)行學(xué)習(xí)和預(yù)測。ARMA過程是個時間序列模型，由自回歸和時間平均分量組成，其中自回歸過程可以描述為其過去值域白噪聲的加權(quán)和。

??? 總的來說，處理攝像頭靜止條件下的跟蹤問題，大多數(shù)時候可選擇背景減除來檢測特征區(qū)域。因為現(xiàn)有的背景減除方法能處理包括光照、噪聲、背景周期運動在內(nèi)的大多數(shù)問題，準(zhǔn)確檢測目標(biāo)，而且計算方便。但主要限制在于對攝像頭運動條件下處理能力有限。

?

NEXT STEP -- 幀間差分的再梳理，GMM等四種多形態(tài)混合模型的大致了解，HMM的閱讀，特征空間分解方法和ARMA大致了解

???????????? 歸納分割方法的知識

轉(zhuǎn)自：http://blog.csdn.net/lynphoenix/article/details/6174855?

轉(zhuǎn)載于:https://www.cnblogs.com/yingying0907/archive/2012/07/24/2606042.html

總結(jié)

以上是生活随笔為你收集整理的目标检测与转自背景减除的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。