一、固定背景提取法。
|frame(i) - background(i)| > Th,由于背景是预先设定的固定的一幅图像,这里必然引入了四个问题:光照变化,摄像机抖动,高频率振荡背景,运动转静止物体的干扰。优点:计算简单,易于实现。缺点是摄象头要绝对静止,而且不适应光照变化。
二、由视频序列动态建立背景
1)均值法、中值法、滑动均值滤波、单高斯 (待实验总结)
2)帧间差分法。|frame(i) - frame(i-1)| > Th,背景就是上一帧图像。每一帧与上一帧进行差分运算。提取效果显然与运动前景对象的速度和帧率有关(帧率指一秒钟有几张图片)。扩展下,建立在统计模型基础上的有选择的背景建模,实际上就是混合高斯法。优点:速度较快,稳定性较好。缺点是可能出现物体的“空洞现象”,空洞是由于某一大型运动物体,它的两帧之间存在象素十分接近的重合部分,所以导致这部分被差分剪去了。
3)混合高斯法。基于混合高斯模型的自适应背景差分算法,类似于帧间差分法,使用混合高斯分布模型来表征图像帧中每一个像素点的特征,当获取新的图像帧时,适时更新混合高斯分布模型,某一时刻选取混合高斯模型中的一个子集表征当前背景,如果当前图像帧的某个像素点与混合高斯模型的背景子集匹配,则判定为背景,否则判定为前景点。总体来说是通过学习与训练计算出有没有运动对象时的背景
4) 能量分析法。在概念上略为复杂,在连续图像序列看成为有二维空间加上时间构成的三维空间,然后计算每一像点在各个时空梯度上的分量,最后通过高斯滤波平滑这些时空梯度分量得到运动能量。由于运动对象所包含的那些象素点基本上都是朝一个方向运动,国此这一方向上的运动能量较大。运动能量法能够消除杂乱运动的影响,检测出真正的运动对象。优点:对于一些背景中存在振荡现象、规律性摆动的前景对象,如水波,树叶。缺点:只能大概估计真正运动前景对象的位置,难以精确提取运动对象。
5)光流法。光流法概念源自光流场,当运动物体的影象在表面上的模式运动就是所谓的光流场,是一个二维速度场。而光流法根据连续多帧图像序列,计算各象素点运动的大小和方向,它反映了图像上每一像点灰度的变化趋势。优点:不需要背景建模,在无法预先获得场景的任何信息的情况下,也能够检测出独立的运动对象。缺点是计算复杂,往往需要特殊的硬件支持,很难满足实时性要求。
6)codebook 码本模型。
准确提取前景对象之后,是如何来适当的方法来表示前景对象,为下一步的跟踪做准备:
A. 对象可以用点来描述。如质心或者点集。一般来说点适合描述在图像中占用比例较小的对象。大的对象容易被肢解为多个对象,或者多个对象被合并为一个质点。
B. 原始的几何形状,实际使用中,通常使用矩形来表示。用这种方法来存储对象,表示简单,但是丢失对象原有信息,对噪声比较敏感。
C. 用精确的对象轮廓来进行跟踪,这对于复杂轮廓的对象存储比较困难,并不实用。