【背景建模】颜色特征与纹理特征融合(续3)

参考文献　Multi-Layer Background Subtraction Based on Color and Texture　CVPR-VS 2007

与前一篇文章的大体思路一致，提取纹理特征和颜色特征，建立背景模型，并实时更新背景模型．

纹理特征：LBP．

颜色特征：借鉴码本模型，颜色空间的分布模型，参用当前像素点与背景像素点的夹角，以及最小和最大值作为颜色特征．

纹理特征相似度计算：

颜色特征相似度计算：

最终的相似度计算，是纹理特征和颜色特征相似度的加权和．

背景模描述：

背景更新，与前一篇文章类似，只不过其权值更新的学习因子，是根据该模型最大权值的大小来调整的．

对于当前权值较小, 但是曾经具有大权值的模型如果出现匹配情况时权值的增加非常快．

对于当前权值较小，但是曾经具有大权值的模型如果出现不匹配情况时权值的减少非常慢．

对于曾经具有过大权值的模型, 其实很可能属于背景模型,

当再次出现匹配这类模型的像素时, 快速恢复其权值是非常合理的，

不匹配这类模型时，缓慢减少其权值是合理的．

其存在匹配的模型时，对应的的第k个模型更新公式如下：

其他模型，只更新其权值，其他的保持不变，

前景检测的步骤：

1).计算与背景模型中K个模型的最小距离，记最小距离的模型为第i个模型．

2).判断第i个模型，是否为背景模型，是否曾经可判断为可信的背景模型.

3).若是，则保持最小距离不变，若不是，则更新最小距离的值．

4).利用the cross bilateral filter平滑最小距离值．

5).根据最小距离值与阈值的大小，确定对应像素点是前景，还是背景．

其具体计算公式如下：

本文创新点：

1).颜色特征的选择．

2).权值的更新方式，利用了权值对应的历史信息．

3).引入分层的概念，利用模型被匹配为可信背景模型的历史信息，来判断当前模型匹配的可信度．

4).在计算得最小距离值，进行平滑处理，而不是得到前景和背景后再做平滑处理．

不足之处：参数的选择和阈值的选择对检测结果的影响，如何选择最合适的一组参数值．

 

参考文献　基于颜色和纹理特征背景模型的多层差分运动目标检测算法　计算机应用　2009

初看这篇文章，感觉与上面的英语文章有许多类似之处，不过细看，仍有些不同之处．

1).该文是将纹理特征和颜色特征分开进行匹配计算，得到两种特征下结果，最后再将两种结果融合．

2).该文中纹理特征匹配和更新时，其与混合高斯模型的思路一致，利用方差来调整匹配对应的阈值．