运动目标检测(前景背景分离)被认为是视频分析学习的入门基础,分为以像素为特征的方法和以纹理为特征的方法,以纹理为特征的方法主要参考上节所讲的LBP和SILTP,这里我们重点介绍像素方法,像素方法是最常用也是最直观的方法。
像素方法假设的基础是背景建模,即建立背景像素的模型,符合该模型的像素判断为背景并且作为新的输入对背景进一步更新,不符合该模型的像素点判断为前景(即运动目标),主流的前景检测方法包括:静态差分、CodeBook方法、高斯背景建模、VIBE方法。
• 静态差分
以视频首帧或者手动选取视频中不存在目标的场景帧作为参考帧,简单通过视频帧减去参考帧即得到运动的目标区域。这种方法优点在于很容易理解,缺点是无法表述场景的更新,当发生较大的变化时(比如光照、抖动、背景较大变化)结果会有很大误差。
静态差分可以表述为:
其中Pi,j为原始视频像素值,Refi,j为参考帧,Subi,j 为差分结果,t为差分阈值。
• Code Book方法
算法为图像中每一个像素点建立一个码本,每个码本可以包括多个码元(对应阈值范围),在学习阶段,对当前像素点进行匹配,如果该像素值在某个码元的学习阈值内,也就是说与之前出现过的某种历史情况偏离不大,则认为该像素点符合背景特征,需要更新对应点的学习阈值和检测阈值。
如果新来的像素值与每个码元都不匹配,则可能是由于动态背景导致,这种情况下,我们需要为其建立一个新的码元。每个像素点通过对应多个码元,来适应复杂的动态