2017 TIP Universal Multimode Background Subtraction
摘要:文中提出一个完整的变化检测系统,并取名为Multimode Background Subtraction。该方法可以对抗多种视频变化检测的挑战,包括光照变化,动态背景,相机抖动和运动相机。系统拥有几种创新点,体现在背景建模,模型更新,像素分类和颜色空间的运用中。系统首先创建了多个背景模型,并对每个像素对其进行了前景、背景概率估计。然后,图像像素组合为mega-piexels,这样对RGB和YCbCr两种颜色空间中的初始的概率估计进行去噪。生成的mask可以分离背景和前景,在CDnet和ESI数据集中取得了state-of-the-art的性能。
贡献:
1、对于背景减除(BS)的合适的颜色空间融合的详细分析
2、一个全新的模型更新机制
3、一个全新的基于MP空间去噪和一个动态模型选择框架,可以减少参数,提升计算速度。
创新点:
1、BS的多种颜色空间的运用
RGB是一个广泛使用的选择:a)亮度和颜色信息被均分在三个颜色空间中;b)对环境和相机噪声稳定;c)大部分的相机直出格式,避免格式转换带来的计算复杂度。
YCbCr、HSV和HSI是基于人类视觉系统(HVS)的颜色空间。这些颜色空间分为亮度和颜色信息,YCbCr为笛卡尔坐标,HSV和HSI是极坐标。虽然颜色一致性会使得BS对阴影、高亮、光照变化更为鲁棒,但不使用亮度信息会使得前景区分度不够。
通过比较,首选YCbCr,因为他对于噪声、阴影和光照变化最不敏感,其次选择RGB。
YCbCr无法处理特别黑的像素,所以在出现室内突然变黑,物体阴影出现的时候。不能过度使用YCbCr颜色空间。
作者采用,分不同的情况采用不同的颜色空间的方法。对于光照环境不好的场景,运用RGB和Y通道;对于光照良好的场景,运用YCbCr的CbCr颜色通道。在突变的光照条件下,RGB和YCbCr颜色空间互补,提供一个稳定的FG/BG分类。
2、背景模型
大多数的BG模型会采用一个多模型基于像素的统计学背景模型。这种模型有两个问题:1、非常难以决定像素概率分布函数的准确的模型数目。2、更重要的,像素间的内在联系被忽略了,将会导致不好的分割结果。
作者提出Background Model Bank,包含多个BG模型。每个训练图像背景的选定颜色空间作为一个向量,利用迭代序列聚类过程进行结合。两个背景模型的相关性测度超出预定值 corr_th ,他们就会被结合,通过他们的平均值来替代。相关性测度被定义为: