基于RGB颜色空间的算法

年份	论文题目	作者	论文内容
1999	A statistical approach for real-time robust background subtraction and shadow detection	T Horprasert, D Harwood, LS Davis	提出一种颜色模型将亮度和色度分开，并运用这种模型提出了一种从静态场景中检测运动物体的算法，该算法能应对光照的改变（阴影/强光）

D Harwood与LS Davis这两个人在2000年写了W4算法，KDE算法，在2004，2005年写了CodeBook算法

---

• 本文提出的颜色模型： 颜色是由亮度和色度组成的，本文基于RGB颜色空间提出了一种颜色模型分离了亮度和色度。

  设图像上某像素点 $i$ ，$E_i=[E_R(i),E_G(i),E_B(i)]$表示该点背景模型的RGB值，$I_i=[I_R(i),I_G(i),I_B(i)]$表示该像素当前的RGB值。
  下一步要测量$I_i$和$E_i$之间的偏差，将此偏差分解为亮度偏差和色度偏差。

• 亮度偏差${\alpha }_i$： 亮度偏差表示当前像素的亮度与背景模型亮度的偏差，是个标量（非向量），是使下式最小的值$$\varphi ({\alpha }_i)=(I_i-{\alpha }_i{E}_i{)}^2$$
  ${\alpha }_i=1$表示无差别，${\alpha }_i<1$表示当前像素比背景模型暗，${\alpha }_i>1$表示当前像素比背景模型亮

• 色度偏差$C{D}_i$： 色度偏差表示当前像素的色度与背景模型色度的偏差，定义为点$I_i$到直线$O{E}_i$的距离（通过原点$O$和$E_i$的线$O{E}_i$称为预期色度线），$||\vec{a}||$表示该向量的二范数（向量的模）
  $$C{D}_i=||I_i-{\alpha }_i{E}_i||$$

---

• 算法思路： 使用N帧静态背景逐像素建立背景模型，将当前帧与背景模型比较，计算亮度偏差和色度偏差，设置合适的阈值，根据阈值将像素点分为前景/背景。
• 模型初始化： 使用N帧静态背景(不能有移动物体)来建模，每个像素建模为4元组$<E_i,s_i,a_i,b_i>$。
  $E_i$表示N帧图像RGB的均值，$s_i$表示N帧图像RGB的标准差。$$E_i=[{\mu }_R(i),{\mu }_G(i),{\mu }_B(i)]$$$$s_i=[{\sigma }_R(i),{\sigma }_G(i),{\sigma }_B(i)]$$$a_i$表示亮度偏差的均方根，$b_i$表示色度偏差的均方根。
  计算均方根前要用标准差来归一化RGB，则亮度偏差和色度偏差的公式修改如下：$${\alpha }_i=\min \left[{\left(\frac{I_R(i)-{\alpha }_i{\mu }_R(i)}{{\sigma }_R(i)}\right)}^2+{\left(\frac{I_G(i)-{\alpha }_i{\mu }_G(i)}{{\sigma }_G(i)}\right)}^2+{\left(\frac{I_B(i)-{\alpha }_i{\mu }_B(i)}{{\sigma }_B(i)}\right)}^2\right]$$
  $$C{D}_i=\sqrt{{\left(\frac{I_R(i)-{\alpha }_i{\mu }_R(i)}{{\sigma }_R(i)}\right)}^2+{\left(\frac{I_G(i)-{\alpha }_i{\mu }_G(i)}{{\sigma }_G(i)}\right)}^2+{\left(\frac{I_B(i)-{\alpha }_i{\mu }_B(i)}{{\sigma }_B(i)}\right)}^2}$$
  $a_i$ 和 $b_i$ 计算公式如下（RMS是指均方根）：
  $$a_i=RMS({\alpha }_i)=\sqrt{\frac{{\Sigma }_{i=0}^N{({\alpha }_i-1)}^2}{N}}$$$$b_i=RMS(C{D}_i)=\sqrt{\frac{{\Sigma }_{i=0}^N{(C{D}_i)}^2}{N}}$$
• 前景/背景的分类： 根据亮度偏差${\alpha }_i$和色度偏差$C{D}_i$将像素点 i 分为4类：前景，原始背景，阴影下的背景，强光下的背景。
  不同像素的${\alpha }_i$和$C{D}_i$有着不同的分布，为使一个阈值作用于所有像素点，需要归一化${\alpha }_i$和$C{D}_i$。
  $${\hat{\alpha }}_i=\frac{{\alpha }_i-1}{a_i}$$$${\widehat{CD}}_i=\frac{C{D}_i}{b_i}$$

注：${\hat{\alpha }}_i$为正表示当前像素比背景模型亮，${\hat{\alpha }}_i$为负表示当前像素比背景模型暗。${\widehat{CD}}_i$越大表示色度偏差越大。

分类	条件
前景	${\widehat{CD}}_i>{\tau }_{CD}$
原始背景	${\widehat{CD}}_i<{\tau }_{CD},{\tau }_{\alpha 2}<{\hat{\alpha }}_i<{\tau }_{\alpha 1}$
阴影下的背景	${\widehat{CD}}_i<{\tau }_{CD},{\hat{\alpha }}_i<{\tau }_{\alpha 2}$
强光下的背景	${\widehat{CD}}_i<{\tau }_{CD},{\hat{\alpha }}_i>{\tau }_{\alpha 1}$

由于暗像素有很低的RGB值（接近原点），导致${\hat{\alpha }}_i$和${\widehat{CD}}_i$都很小，所以始终被分类为阴影下的背景。为解决该问题，为${\hat{\alpha }}_i$引入了一个最低界限${\tau }_{\alpha lo}$，修改后的条件如下

分类	条件
前景	${\widehat{CD}}_i>{\tau }_{CD}$ or ${\hat{\alpha }}_i<{\tau }_{\alpha lo}$, else
原始背景	${\tau }_{\alpha 2}<{\hat{\alpha }}_i<{\tau }_{\alpha 1}$, else
阴影下的背景	${\hat{\alpha }}_i<0$, else
强光下的背景	otherwise

• 模型更新： 静态场景，背景模型确定后不再更新。
• 涉及参数： ${\tau }_{CD}$，${\tau }_{\alpha 1}$，${\tau }_{\alpha 2}$，${\tau }_{\alpha lo}$，前3个参数是自动选择的。
  在模型初始化的N帧静态背景过程中，建立${\hat{\alpha }}_i$和${\widehat{CD}}_i$的直方图（N·X·Y个数据，X·Y是图像的大小），然后根据期望的检测率 r 来自动选择这些参数。
  ${\tau }_{CD}$是检测率为 r 时直方图里对应的${\widehat{CD}}_i$
  ${\tau }_{\alpha 1}$是检测率为 r 时直方图对应的${\hat{\alpha }}_i$
  ${\tau }_{\alpha 2}$是检测率为 (1-r) 时直方图对应的${\hat{\alpha }}_i$
  
• 改进： 检测出错的主要是那些$b_i$很小的点，因为$b_i$很小，那么归一化的时候$C{D}_i$就会很大，很可能超过阈值，就会被分类为前景。所以给$b_i$添加了一个默认最小$b_i$，该值的选取过程如下：
  1⃣️ 先将默认最小$b_i$设置一个比较小的值，通过N帧静态背景建立好背景模型后，将所有$b_i<默认最小b_i$的像素点的$b_i$设置为默认最小$b_i$，然后把像素点分为两组，一组$b_i=默认最小b_i$，一组$b_i>默认最小b_i$。
  2⃣️ 用这N帧静态背景进行检测，并统计错误率，不断提升默认最小$b_i$的值，找到使这两组像素的错误率相同的默认最小$b_i$。（图中的交点）