本文深入探讨了背景建模的各种方法，包括统计模型如高斯混合物和核密度估计，以及机器学习技术如支持向量机、子空间学习模型和神经网络背景建模。此外，还涵盖了传统的背景模型，如平均、中值和直方图方法，以及通过聚类、卡尔曼滤波和模糊建模等技术进行背景估计。
统计背景模型：
高斯：
单高斯（SG）30+ 2006
单通用高斯（SGG）3 2008
普通高斯混合体（MOGG）3 2008
高斯混合物296 2017
普通高斯混合体（MOGG）3 2008
核密度估计 98 16
支持向量机：
支持向量机（SVM）11 12
支持向量回归（SVR） 3 08
支持向量数据描述（SVDD）6 10
子空间学习模型：
矩阵：
SL-PCA 43 16
SL-ICA 6 12
使用独立分量分析的子空间学习 9 11
子空间学习使用增量非负矩阵分解 3 10
张量：
SL-IRT 2 10
传统背景模型：
平均 9 09
中值 10 15
直方图 15 17
通过聚类的背景建模：
基本的顺序聚类 12 06
Codebook 79 17
K均值 13 15
神经网络背景建模 67
背景估计：
卡尔曼滤波器 21 11
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
