背景建模算法比较与ViBe算法论文解读与python代码

最新推荐文章于 2024-09-03 21:32:54 发布

奔跑的Yancy

最新推荐文章于 2024-09-03 21:32:54 发布

阅读量4.9k

点赞数 8

分类专栏：机器视觉/计算机视觉文章标签： Vibe 背景建模 GMM

本文链接：https://blog.csdn.net/lyxleft/article/details/87927339

版权

本文深入探讨了背景建模方法，特别是VIBE算法。VIBE摒弃了传统的统计建模，转而将背景建模视为分类问题，强调与少数背景样本的比较。它采用保守的更新策略，结合空间信息，提高了模型的适应性和鲁棒性。VIBE通过随机丢弃样本和随机时间子采样策略实现了背景模型的动态更新，同时确保空间一致性。此外，文中还介绍了VIBE的初始化方法和Python实现。

摘要由CSDN通过智能技术生成

在运动目标检测领域，抛开最近热火朝天的深度学习方法，最经典、可靠、传统的方法还是基于图像差分的方法。在这类方法中，往往会用到背景差分法。背景建模的优劣决定了目标检测结果的好坏，因此选择一个合适的背景建模方法非常重要。

背景建模方法需要考虑的3个问题

1）采用什么样的模型及其机理（——这个相当于废话。看下面吧。）

2）模型如何初始化？

3）模型如何实时更新？

基于统计方法建模的缺陷

背景建模方法中，最经典的莫过于基于统计学模型的方法。而这类方法中的代表作就是GMM（混合高斯模型）了（如果你还对大名鼎鼎、用烂掉了的GMM不了解，就看一篇综述快速了解一下吧。见本文参考资料。）

VIBE算法的作者Olivier Barnich在他的论文中从理论上对基于统计的方法提出了一些缺陷：

1、GMM的自我更新方法不太合理。见下节。

2、本质上讲，像素点并没有分布规律，所以用概率密度函数（probability density function, pdf）来估计像素点是缺乏道理的。其实，只要能够达到相关背景分割的目标，就没有必要去计算pdf。计算那么多像素的分布规律，显然很耗时。

3、统计方法是一个全局过程，很容易受离群点的影响。且基于假设模型的方法带来的偏差是十分常见的。

其他背景建模方法的不足

其他建模方法中也存在一些通病，比如：

1、初始化方法比较模糊。初始化方法对背景建模的快速响应十分重要，比如用第一帧当作初始化的背景还是用前N帧再弄个平均之类得到一个背景，这对建模速度和准确度都是不一样的。

2、模型及其更新方法缺乏联系。例如，在基于统计的方法中，在限定的阈值T范围内把当前像素p和背景模型中的像素点做比较，然后阈值T可以自适应地根据统计方差 $\sigma$ 来调整。但是统计方差是一个时间维度上的平均，和帧率、背景像素个数有关。这在一些场景中是不适用的，比如远程联网的相机，其帧率是由带宽决定的。这导致模型的更新方法不是非常合理，无法像想象中那么理想地实现自适应的效果。