運動前景對象檢測方法

運動前景對象檢測一直是國內外視覺監控領域研究的難點和熱點之一，其目的是從序列圖像中將變化區域從背景圖像中提取出來，運動前景對象的有效檢測對於對象跟蹤、目標分類、行爲理解等後期處理相當重要，那麼區分前景對象，很是關鍵的一個問題是肯定一個很是合適的背景，背景從象素的角度來理解，每個象素就是有多是前景點，也有多是背景點，那麼咱們就要防止背景中誤進入原屬於前景點的對象，目前有幾種經常使用的方法，但分別有利弊。

 

主要能夠分爲：背景建模，幀差法，光流法

1: Single Gaussian(單高斯模型） Real-time tracking of the human body

2:Mixture of Gaussian model(混合高斯模型）

參考論文： An improved adaptive background mixture model for real-time tracking with shadow detection。基於混合高斯模型的自適應背景差分算法，相似於幀間差分法，使用混合高斯分佈模型來表徵圖像幀中每個像素點的特徵，當獲取新的圖像幀時，適時更新混合高斯分佈模型，某一時刻選取混合高斯模型中的一個子集表徵當前背景，若是當前圖像幀的某個像素點與混合高斯模型的背景子集匹配，則斷定爲背景，不然斷定爲前景點。整體來講是經過學習與訓練計算出有沒有運動對象時的背景

3:Running Gaussian average(滑動高斯平均） Real-tine tracking of the human body

混合高斯在現有的背景建模算法中算是較好的，不少新的算法或者改進的算法都是基於它的原理變形的，可是混合高斯的缺點是計算量相對比較大，速度偏慢，對光照敏感。 

4：SOBS-Self-organization background subtraction(自組織背景檢測）

A self-Organizing approach to background subtraction for+visual surveillance，對於自組織背景建模算法即SOBS算法，該算法對光照有必定的魯棒性，但MAP的模型比輸入圖片大，計算量比較大，可是能夠經過並行處理來解決算法的速度問題，能夠進行嘗試；

5：SACON(樣本一致性建模算法）

參考論文：A consensus-based method for tracking，A consensus-based method for tracking，Modelling background scenario and foreground appearance SACON Background subtraction based on a robust consensus method

該方法是基於統計的知識，效果還不錯；

6：ViBe算法

ViBe-A Universal Background Subtraction，做者網站：http://www2.ulg.ac.be/telecom/research/vibe/

ViBe算法是一個有別於傳統方法的算法，做者已經申請了專利，能夠作研究，用一幀圖像就能夠初始化背景模型，該方法計算量比較小，速度很快，能夠嵌入到相機中，能夠抗攝像頭抖動，而且對噪聲也有必定的魯棒性，檢測效果很不錯；

7：Color(基於顏色信息的背景建模方法）

參考論文：A statistical approach for real-time robust background subtraction and shadow detection

基於顏色信息的背景建模方法,簡稱Color算法，該算法將像素點的差別分解成Chromaticity差別和Brightness差別，對光照具備很強的魯棒性，並有比較好的效果，計算速度也比較快，基本能夠知足實時性的要求，作了許多視頻序列的檢測，效果比較理想； 

8：Temporal Median filter（ 中值濾波法）

參考論文：Automatic congestion detection system for underground platform

Detecting moving objects,ghost,and shadows in video streams

 統計平均法和中值濾波法，對於這兩個算法，只對統計平均法作了實現，並進行了測試，算法的應用具備很大的侷限性，只能算是理論上的一個補充； 

9：本徵背景法  

參考論文：A Bayesian computer vision system for modeling human interactions

基於貝葉斯框架

10：核密度估計

參考論文：Non-parametric model for background subtraction

最後就是核密度估計算法，該算法應該是一個比較魯棒的算法，能夠解決不少算法參數設置方面的問題，無需設置參數應該是算法的一大優點。SOBS、Color、VIBE、SACON、PDF等能夠進行深刻的瞭解，特別是近年來出現的Block-based（塊）或Region-Based（區域）、Features-Based（特徵）、基於層次分類或層次訓練器的算法能夠進行深刻的研究。

11：光流法（速度太慢，基本不用）

 光流法概念源自光流場，當運動物體的影象在表面上的模式運動就是所謂的光流場，是一個二維速度場。而光流法根據連續多幀圖像序列，計算各象素點運動的大小和方向，它反映了圖像上每一像點灰度的變化趨勢。優勢：不須要背景建模，在沒法預先得到場景的任何信息的狀況下，也可以檢測出獨立的運動對象。缺點是計算複雜，每每須要特殊的硬件支持，很難知足實時性要求。 

12：幀差法

|frame(i) - frame(i-1)| > Th，背景就是上一幀圖像。每一幀與上一幀進行差分運算。提取效果顯然與運動前景對象的速度和幀率有關（幀率指一秒鐘有幾張圖片）。擴展下，創建在統計模型基礎上的有選擇的背景建模，實際上就是混合高斯法。優勢：速度較快，穩定性較好。缺點是可能出現物體的「空洞現象」，空洞是因爲某一大型運動物體，它的兩幀之間存在象素十分接近的重合部分，因此致使這部分被差分剪去了。（幀差法主要有，二幀差，三幀差，累積幀差）

13：固定背景法

|frame(i) - background(i)| > Th，因爲背景是預先設定的固定的一幅圖像，這裏必然引入了四個問題：光照變化，攝像機抖動，高頻率振盪背景，運動轉靜止物體的干擾。優勢：計算簡單，易於實現。缺點是攝象頭要絕對靜止，並且不適應光照變化。