FROM： http://www.cnblogs.com/ronny/archive/2012/04/12/2444053.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，為了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

對于單高斯和混合高斯估計大家都熟悉，這里不再累述（混合高斯在現有的背景建模算法中應該算是比較好的，很多新的算法或改進的算法都是基于它的一些原理的不同變體，但混合高斯算法的缺點是計算量相對比較大，速度偏慢，對光照敏感）；

4. 碼本 (CodeBook)

Real-time foreground–background segmentation using codebook model

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

對與Codebook算法，曾經做過實驗，效果還可以，后來也有多種變體，沒有進一步的進行研究，但算法對光照也敏感）；

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

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

對于自組織背景建模算法即SOBS算法，該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，但是可以通過并行處理來解決算法的速度問題，可以進行嘗試；

6. 樣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算法是基于統計的知識，代碼實現過，并做過實驗，效果還可以，但沒有進一步的分析；

7. VIBE算法

vibe

ViBe-A Universal Background Subtraction

VIBE算法是B哥的一個大作，網上有現成的算法可用，但已申請了專利，用于做研究還是可以的，該算法速度非常快，計算量比較小，而且對噪聲有一定的魯棒性，檢測效果不錯；

8. 基于顏色信息的背景建模方法（Color)

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

基于顏色信息的背景建模方法,簡稱Color算法，該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，并有比較好的效果，計算速度也比較快，基本可以滿足實時性的要求，做了許多視頻序列的檢測，效果比較理想；

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

統計平均法和中值濾波法，對于這兩個算法，只對統計平均法做了實現，并進行了測試，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；

11. W4方法

W4.pdf

W4算法應該是最早被用于實際應用的一個算法，這個大家可以去查看相關的資料，這里不再細說；

12. 本征背景法

A Bayesian computer vision system for modeling human interactions

本征背景法沒實現過，看很多文獻有講解，然后該算法又是基于貝葉斯框架，本人一直對貝葉斯框架不感冒，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）；

13. 核密度估計方法

Non-parametric model for background subtraction

最后就是核密度估計算法，該算法應該是一個比較魯棒的算法，可以解決很多算法參數設置方面的問題，無需設置參數應該是算法的一大優勢。

?

個人觀點：SOBS、Color、VIBE、SACON、PDF等可以進行深入的了解，特別是近年來出現的Block-based或Region-Based、Features-Based、基于層次分類或層次訓練器的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/

總結

以上是生活随笔為你收集整理的目标检测中背景建模方法的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。