Background Subtraction and Modeling 常见的目标检测中的背景建模方法漫谈

申明：本文非笔者原创，原文转载自：http://blog.csdn.net/dcraw/article/details/7452653

转载者的话：

最近一直在看background subtraction and modeling。正如如下链接的第一个回帖所说，背景建模虽然最近研究不是很热，但对视频的处理至关重要，甚至直接影响一个系统的成败。研究不热的原因可能是因为能挖掘的方法都差不多了，剩下的就是个人消化和理解了。有时一种方法不一定管用，可能需要好几种组合起来才能有效，而且在不用的场景下需要不同的参数，这些都是在具体实验中才能确定。从这个意义来说，了解背景减除和建模的现有算法很有意义，可以针对自己的特定任务和要求，从中提取自己想要的方法。废话不多少了，上正文。

=============================华丽丽的分割符==============================

http://cvchina.net/thread-2351-1-1.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

    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

           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）；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）；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，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）；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/