从背景差分到深度学习方法的目标检测与前背景分离

from：http://blog.csdn.net/u010402786/article/details/50596263

前提

运动目标的检测是计算机图像处理与图像理解领域里一个重要课题，在机器人导航、智能监控、医学图像分析、视频图像编码及传输等领域有着广泛的应用。 
—————————-———————–

目标检测方法分类

　　第一，已知目标的先验知识。在这种情况下检测目标有两类方法，第一类方法是用目标的先验知识训练一堆弱分类器，然后这些弱分类器一起投票来检测目标，如boosting, random forest 都是这个思路，大家熟知的adaboost人脸检测也是如此。第二类方法是根据先验知识找到目标和非目标的最佳划分线，如SVM.这两类方法各成一家，各有所长，都有着不错的表现。

　　第二，未知目标的先验知识。此时不知道要检测的目标是什么，于是什么是目标就有了不同的定义。一种方法是检测场景中的显著目标，如通过一些特征表达出场景中每个像素的显著性概率，然后找到显著目标。另一种方法就是检测场景当中的运动目标了。

经典目标检测方法

1、背景差分法 
　　在检测运动目标时，如果背景是静止的，利用当前图像与预存的背景图像作差分，再利用阈值来检测运动区域的一种动态目标识别技术。 
　　背景差分算法适用于背景已知的情况，但难点是如何自动获得长久的静态背景模型。 
　　matlab中单纯的背景差分直接是函数imabsdiff（X,Y）就可以。 
2、帧差分法 
　　利用视频序列中连续的两帧或几帧图像的差来进行目标检测和提取。在运动的检测过程中，该方法利用时间信息，通过比较图像中若干连续帧获得对应像素点的灰度差值，如果均大于一定的阈值T2，则可以判断该位置存在运动的目标。 
　　较适合于动态变化场景。 
3、光流场法 
　　利用相邻两帧中对应像素的灰度保持原理来评估二维图像的变化。能够较好的从背景中检测到相关前景目标，甚至是运动屋里中的部分运动目标，适用于摄像机运动过程中相对运动目标的检测。 
　　开口问题、光流场约束方程的解的不唯一性问题。不能正确的表示实际的运动场。 
例子如下： 
1.首先在一帧图像内随机均匀选取k个点，并滤除那些邻域纹理太光滑的点，因为这些点不利于计算光流。 
 
2.计算这些点与上一帧图像的光流矢量，如上右图，此时已经可以看出背景运动的大概方向了。 
 
3.接下来的这一步方法因人而异了。 
2007年cvpr的一篇文章Detection and segmentation of moving objects in highly dynamic scenes的方法是把这些光流点的（x,y,dx,dy,Y,U,V)7个特征通过meanshift聚类来聚合到一起，最后形成运动目标轮廓。

新目标检测方法

其实写到这里想了想到底能不能叫目标检测，博主认为图像的前背景分离也是目标检测的一种（博主才疏学浅，求赐教）

1、像素点操作 
　　对每个像素点进行操作，判别为前景或者背景两类。如下面的图片所示： 
　　
2、低秩矩阵应用 
　　背景建模是从拍摄的视频中分离出背景和前景。下面的例子就是将背景与前景分离开。使用的方法是RPCA的方法。 
　　其网址以及效果如下： 
　　http://perception.csl.illinois.edu/matrix-rank/introduction.html 
　　 
3、深度学习 
　　FCN + denseCRF 精确分割+语义标签。图像中的前景目标检测分割做的很好，下面还能做出语义检测，判断出图中的东西属于什么。This demo is based on our ICCV 2015 paper ：Conditional Random Fields as Recurrent Neural Networks, 
　　测试网址以及测试图像如下： 
　　http://www.robots.ox.ac.uk/~szheng/crfasrnndemo 
　　

---

推荐另外一篇关于神经网络改进方法的上篇内容： 
http://blog.csdn.net/u010402786/article/details/49272757 
另外附上一个深度学习未来发展趋势之一： 
—“注意力模型”在升温 
未来的发展，注意力模型的升温。一些系统，但不是全部，开始放到“注意力模型”的背景中，或者说让神经网络在完成任务的过程中试图学习在哪里放置其“注意力”。这些还不是一个正规神经网络流水线中的一部分，但是已经时不时的出现在模型中了。