W4算法

年份	论文题目	作者	论文内容
2000	W4: real-time surveillance of people and their activities	Haritaoglu I , Harwood D , Davis L S	提出W4算法，用于实时检测和跟踪多人并监视他们在室外环境中的活动

W4算法用于户外场景跟踪人的，因此不仅包含运动检测，还要去除非人的前景区域，以及对人的跟踪。这里仅对其中的运动目标检测作了解。

W4算法：

• 算法思路： 基于像素构建背景模型，每个像素有3个指标，最小强度值$m(x)$，最大强度值$n(x)$，连续帧的最大强度差$d(x)$。当前帧逐像素与背景模型相比较，分为前景/背景。
• 模型初始化： 包含两个阶段。第一阶段：在视频的前20～40s使用中值的方法建立背景，计算每个像素强度值的中值$\lambda (x)$，标准差$\sigma (x)$。第二阶段：使用第一阶段构建的背景来区分静止像素和移动像素，使用接下来的N帧中的静止像素来构建初始背景模型。$V$是包含N帧连续图像的数组，$V^i(x)$表示第 i 帧图像x位置处的像素值，x处的初始背景模型$[m(x),n(x),d(x)]$如下： [ m ( x ) n ( x ) d ( x ) ] = [ min ⁡ z { V z ( x ) } max ⁡ z { V z ( x ) } max ⁡ z { ∣ V z ( x ) − V z − 1 ( x ) ∣ } ] \left[\begin{array}{l}m(x)\\n(x)\\d(x)\end{array} \right] = \left[\begin{array}{l}{\min _z}\{ {V^z}(x)\} \\{\max _z}\{ {V^z}(x)\} \\{\max _z}\{ |{V^z}(x) - {V^{z - 1}}(x)|\} \end{array} \right] ⎣⎡​m(x)n(x)d(x)​⎦⎤​=⎣⎡​minz​{Vz(x)}maxz​{Vz(x)}maxz​{∣Vz(x)−Vz−1(x)∣}​⎦⎤​
  其中$V^z(x)$指静态像素，满足条件：$$|V^z(x)-\lambda (x)|<2\ast \sigma (x)$$
• 前景/背景的分类： 设x处像素的背景模型为$B(x)$，$d_{\mu }$表示整幅图像的$d(x)$的中值，$I^t(x)$表示t时刻x处的像素值，满足$$I^t(x)-m(x)<K{d}_{\mu }\vee I^t(x)-n(x)<K{d}_{\mu }$$则分类为背景，否则分类为前景。
• 模型更新： 在跟踪期间，动态的构造一个变更图，根据变更图来更新背景模型。变更图包含3部分：
  1.$gS$：表示最近N帧中将像素分为背景的次数
  $$gS(x,t)=\{\begin{array}{l}gS(x,t-1)+1:ifxisbackgroundpixel\\ gS(x,t-1):ifxisforegroundpixel\end{array}$$
  2.$mS$：表示将像素分类为移动像素的次数，通过连续3帧图像的差分来判断$$mS(x,t)=\{\begin{array}{l}mS(x,t-1)+1ifM(x,t)=1\\ mS(x,t-1)ifM(x,t)=0\end{array}$$
  $$M(x,t)=\{\begin{array}{l}1:if(|I(x,t)-I(x,t+1)|>2\ast \sigma )\wedge (|I(x,t-1)-I(x,t)|>2\ast \sigma )\\ 0:otherwise\end{array}$$
  3.$hS$：表示从上次该像素被分类为前景所经过的时间$$hS(x,t)=\{\begin{array}{l}255:ifxisforegroundpixel\\ hS(x,t-1)-\frac{255}{N}:otherwise\end{array}$$
  在跟踪期间，对所有背景像素和所有前景像素分别计算背景模型，前景像素背景模型$(m^f(x),n^f(x),d^f(x))$，背景像素背景模型$(m^b(x),n^b(x),d^b(x))$，当前背景模型$(m^c(x),n^c(x),d^c(x))$，新的背景模型$(m(x),n(x),d(x))$，按下式进行更新：$$[m(x),n(x),d(x)]=\{\begin{array}{l}[m^b(x),n^b(x),d^b(x)]:if(gS(x)>k\ast N)\\ [m^f(x),n^f(x),d^f(x)]:if(gS(x)<k\ast N\wedge mS(x)<r\ast N)\\ [m^c(x),n^c(x),d^c(x)]:otherwise\end{array}$$
  此外亮度的突变可能导致检测失败，出现很多前景点，因此当整幅图的前景点>80%则重新构建背景模型。
• 涉及参数： k，r，K，经文中测试，最优取值为k=0.8，r=0.1，K=2