提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档
前言
个人认为环境探索主要应用于目标检测和目标跟踪领域，在目标检测领域举个例子：传送带上有个螺丝钉，你想检测它有无缺陷，那这个螺丝钉就是图像中的前景，传送带就是图像中的背景。 机器视觉检测时，你要把螺丝钉作为前景分割出来，然后再仔细看它有没有缺陷。在目标跟踪领域的例子如摄像头跟踪某一个特定的人的时候，那么这个人就是目标，他周围的环境就是背景。
背景物体就是指静止的或是非常缓慢的移动的物体，而前景物体就对应移动的物体。所以我们可以把物体检测看出一个分类问题，也就是来确定一个像素点是否属于背景点
一、环境探索是什么？
环境探索就是如何来利用计算机的视觉的技术去探索观察周围的环境，而这个环境是有前景和背景的，前景就是我们的目标，所感兴趣的对象；背景就是那些非目标，也就是目标所处的环境。简而言之，环境探索就是区分出目标和背景。
二、如何进行环境探索？
1.二值化区分前景和背景
单纯使用二值化函数处理图像，尝试获取前景的物体，存在如下的限制条件：前景和背景的颜色有着鲜明的区别，可以通过二值化函数的阀值来调整环境。
1.1二值化步骤
三个步骤：图片灰度化处理、获取阈值、根据阈值去二值化图像。
2.帧间差分法
利用视频序列中连续的两帧或几帧图像的差来进行目标检测和提取。在运动的检测过程中，该方法利用时间信息，通过比较图像中若干连续帧获得对应像素点的灰度差值，如果均大于一定的阈值T2，则可以判断该位置存在运动的目标。
3.背景差分法
4.VIBE背景提取算法
4.1VIBE算法简介
ViBe是一种像素级视频背景建模或前景检测的算法，效果优于所熟知的几种算法，对硬件内存占用也少。该算法主要不同之处是背景模型的更新策略，随机选择需要替换的像素的样本，随机选择邻域像素进行更新。在无法确定像素变化的模型时，随机的更新策略，在一定程度上可以模拟像素变化的不确定性。
4.2VIBE算法的引入
4.3VIBE算法原理
ViBe比较特殊的地方它的思想：它为所有像素点存储了一个样本集，样本集里面保存的采样值是该像素点过去的像素值与其邻居点的像素值。后面每一帧的新像素值和样本集里的样本历史值进行比较，判断是否属于背景点。
下面从几点讲解ViBe算法：
4.4VIBE算法的优势劣势
5.VIBE+提取算法
三、总结
当然背景建模或前景检测的算法除了以上介绍的几种，还有一些。下面是一些汇总：
1. Single Gaussian (单高斯模型)
2. 混合高斯模型（Mixture of Gaussian Model）
3. 滑动高斯平均（Running Gaussian average）
对于单高斯和混合高斯估计大家都熟悉，这里不再累述（混合高斯在现有的背景建模算法中应该算是比较好的，很多新的算法或改进的算法都是基于它的一些原理的不同变体，但混合高斯算法的缺点是计算量相对比较大，速度偏慢，对光照敏感）；
4. 码本 (CodeBook) 算法对光照也敏感
5. 自组织背景检测( SOBS-Self-organization background subtraction)
对于自组织背景建模算法即SOBS算法，该算法对光照有一定的鲁棒性，但MAP的模型比输入图片大，计算量比较大，但是可以通过并行处理来解决算法的速度问题，可以进行尝试
6. 样本一致性背景建模算法 (SACON) SACON算法是基于统计的知识
7. VIBE算法 （VIBE算法是B哥的一个大作，网上有现成的算法可用，但已申请了专利，用于做研究还是可以的，该算法速度非常快，计算量比较小，而且对噪声有一定的鲁棒性，检测效果不错；）
8. 基于颜色信息的背景建模方法（Color)
基于颜色信息的背景建模方法,简称Color算法，该算法将像素点的差异分解成Chromaticity差异和Brightness差异，对光照具有很强的鲁棒性，并有比较好的效果，计算速度也比较快，基本可以满足实时性的要求，做了许多视频序列的检测，效果比较理想；
9. 统计平均法
10. 中值滤波法( Temporal Median filter)
统计平均法和中值滤波法，对于这两个算法，只对统计平均法做了实现，并进行了测试，算法的应用具有很大的局限性，只能算是理论上的一个补充；
11. W4方法
W4算法应该是最早被用于实际应用的一个算法
12. 本征背景法 （基于贝叶斯框架）
13. 核密度估计方法
该算法应该是一个比较鲁棒的算法，可以解决很多算法参数设置方面的问题，无需设置参数应该是算法的一大优势
（自己总结用）
图片截图部分转载至 链接：https://blog.csdn.net/ajianyingxiaoqinghan/article/details/72628402
728
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
