视频前景提取算法（visual background extractor，ViBe）

论文：《ViBe: A universal background subtraction algorithm for video sequences》

步骤：
1、Pixel model and classification process
2、Background model initialization from a single frame
3、Updating the background model over time

具体：
一、像素模型与分类过程


【上图表达的意思大概了解，只是不知道什么是Euclidean color space，以及为什么要用它。请各位指教。】
二、单帧背景模型初始化


三、实时更新背景模型
1、更新机制（update mechanism）


1）保守更新（conservative update）
保守更新策略永远不将被判定为前景的像素包括进背景模型中。这种更新方式的优点是保证了对运动物体的清晰检测，但是缺点也是很明显的，它会导致死锁和”鬼影“问题。比如：错误的将背景样本分类为前景会组织其背景模型的更新，那么一帧一帧下去会无限期的阻止背景像素模型被更新，会导致永久性的分类错误。具体的，图片中停放汽车的位置就不能更新为背景模型。
2）盲更新（blind update）
盲更新无论样本时候被分类为背景，都会将它们添加到背景模型中。这种更新方式的优点就是对死锁不敏感，但是缺点是对缓慢移动的目标检测不好，这些缓慢移动的物体会被逐渐地被包含在背景模型中。

2、本文创新
本文更新的方法由三个部分组成：（1）无记忆更新策略，确保存储在背景模型中的样本具有平滑衰减的寿命；（2）随机时间下采样，以合理调整背景模型更新周期；（3）背景样本传播机制确保了空间一致性，并且允许被判定为前景的像素调整为背景模型。
1）无记忆更新（memoryless update）
就是每次随机更新背景模型中一个样本。下图展示了对Fig. 1.的更新的6中情况中的3中情况。

本文没有删除背景模型中最旧的样本，而是根据一个同一的概率密度函数（均匀分布）随机地丢弃样本，然后将所丢弃的样本用新值来代替。
虽然这种随机策略与先替换旧值的观点相矛盾，对于保守更新策略这是不对的，但是我们同时需要保守更新策略的稳定性。

上式显示，样本模型中的任何样本的剩余寿命都呈指数衰减。假设一个样本在时间t之前已被包含在模型中，那么在t 到 t+dt时间段内被保留的概率独立于t，即过去对未来没有影响，这种特性叫做无记忆性。这种方法的优点在于它不需要我们去定义一个样本保存的周期，同时在一定程度上允许更新机制适应任意的帧速率。
2）随机时间下采样（random time subsampling）
有了背景模型的更新方式，现在就需要确定每隔多长时间或者帧去更新背景模型。在实际情况中通常不用为每个新的帧更新背景模型，那通常就按照一定周期去更新，但是在视频存在周期运动的情况下，使用固定的更新（采样）间隔可能会妨碍背景模型对这些运动进行适当的适应。
本文就创新使用了随机时间下采样策略。当一个像素值被归类为背景时，一个随机过程决定了这个像素是否用于更新相应的像素模型。文中使用的采样因子是16，即每个被归类为背景的像素值有 1/16 的机会去更新它的像素模型。其实这个参数也可以去调节时间窗口的长度，若采样因子是1，那么时间窗口长度就是每帧更新；若采样因子很大，就相当于时间窗口长度很长，也就是很长时间不更新。
3）通过背景样本传播实现空间一致性（spatial consistency through background samples propagation）
由于我们采用了保守更新策略，所以当前要解决的问题就是，对于被前景覆盖的像素的背景模型的更新。目前经典的算法是”detection support map“，主要的思路是对像素点进行统计，如果某个像素连续几次被检测为前景，则将其更新为背景模型。这种方法明显的缺点就是有延迟地更新背景。
本文提出了新的方法，如前所述，相邻背景像素具有相似的时间分布，新的背景像素样本也应该更新相邻像素的模型。根据这个策略，被前景覆盖的像素随着时间会被其邻域像素的背景模型更新。

这种更新方式，如果是一个开始启动的汽车，它后面的区域会随着其邻域的影响（大概率的存在是背景）而被更新为背景，从而减少了判定延迟。