SA-Foreground detection for moving cameras with stochastic approximation

方法

混合模型

给定特征空间\mathcal{F}

任意给定位置\text{x}的特征值\text{t}\left(\text{x} \right )分布

p(\text{t}) = \pi_{Back}p(\text{t}|Back)+\pi_{Fore}p(\text{t}|Fore)

p(\text{t}|Back)使用高斯分布模型,因为简单的高斯模型加上一个完整的协方差矩阵足以满足对大多数的背景的表达,同时加快了算法的速度。

p(\text{t}|Fore)使用均匀分布,文章中说均匀分布用于对任何遇到的目标前景进行建模,有同样的好效果。

p(\text{t}) =\pi_{Back}K(\text{t}|\mu_{Back},C_{Back}+\Psi )+\pi_{Fore}U(\text{t})

特征选择

文章沿用之前的工作,总共有24种特征

  • 归一到区间[0,1]的rgb特征,3种
  • 正则化的rgb通道,3种
  • 类Haar特征,9*9的邻域,共6种特征
  • 梯度特征,用Sobel运算子得到,共2种特征
  • 颜色纹理特征,2种
  • 鲁棒的特征,对1-6种特征进行5*5邻域的中值滤波,共6种
  • 边缘特征和中心点特征,共2种

相机运动补偿

使用单应性变换矩阵进行映射

协方差矩阵C=E[(\text{t}-\mu)(\text{t}-\mu)^T]不能用插值方式进行计算,这估计不可靠。

解决的方法是线性插值计算相关矩阵R=E[\text{t}\text{t}^T]

\hat{C}=\hat{R}-\hat{\mu}\hat{\mu}^T

背景推断

对概率模型阈值判断

实验

乱七八糟的选了不同数据集上的一两个视频序列

包括CDnet2014、FBMS等

 

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值