动态目标检测（一）：Adaptive Background Mixture Models for Real-Time Tracking

这个问题可以分为：

1. 静态背景下的动态目标

2. 动态背景下的动态目标

这里主要考虑第二个问题。解决方案：

1. 运动补偿+背景建模

2. 光流

最近看了下背景建模的经典文献：Adaptive Background Mixture Models for Real-Time Tracking。

99年的CVPR，目前引用次数3495。

问题提出：一个像素的灰度值通常对应了多个物体表面的照度（比如说Flicker），因此需要用Mixture Model；同时光照又是时变的，因此需要Adaptive。

解决思路：Gaussian计算够简单，GMM也可以很好的模拟多峰的随机过程PDF（原因见https://www.zhihu.com/question/29221505），那就建一个GMM吧。

GMM中的每一个Gaussian Model都有3个待估计参数：权值w、均值、方差。

当像素的灰度值更新时，就在所有的GM中找匹配，如果灰度值小于该GM的2.5sigma，就认为灰度值属于这个GM，并更新该GM的权值、均值、方差；对于其他没有匹配上的，权值降低，均值方差不变。如果所有的GM都没有匹配上，同时GMM中最差的GM就被扔掉，并用当前灰度代替。什么叫“”最差“，原文是“the least probable”，意思就是最不像的，在下面说它。

文章第二部分Background estimate了，因为每个像素都有k个Model，那么哪些Model最像背景？1.support evidence多的（权值大的）；2.方差小的。因此对每一个像素的所有Model按照w/sigma排列为一个List，List中位于尾端的就是“最差”的背景模型，也就是最容易被换掉的。

第三部分就是Track了，将前景目标进行区域联通，在辅以Kalman filter。

效果就是鲁棒性很好，但是计算量也不小，如果想用在1080p上....

几个有趣的文章待看：http://python.jobbole.com/81593/

https://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_video/py_bg_subtraction/py_bg_subtraction.html?highlight=background%20subtraction

上面这个是静态背景的，动态背景下的动态目标检测还需要看下一篇文章：。

待续......