【背景建模】SOBS

　　SOBS（self-Organizing through artificial neural networks）是一種基於自組織神經網絡的背景差分算法，主要是借鑑神經網絡的特性，一個網絡輸入節點，對應多箇中間節點，將背景模型中的一個像素映射到模型的多個位置，並採用了像素鄰域空間相關的更新方式，使鄰域的信息進一步融入模型中，使得算法具備鄰域空間相關性。

算法僞代碼

　　

背景模型創建

　　選擇背景模型的映射大小，通常選取n = 3，即一個像素點對應於模型中的3*3塊，背景模型相比於原始圖像擴大了9倍。

 

　　

　　選擇HSV顏色空間，選取第一幀數據做爲背景模型的初始化數據。如上圖示例所示，a_i(h,s,v) = a(h,s,v)。

前景目標檢測

　　計算當前像素點與其對應的模型塊裏像素點的最小距離，距離計算方法以下：

　　

　　若最小距離小於閾值，則斷定爲背景，更新背景模型；

　　

　　不然，進行陰影判斷，陰影判斷方法以下：

　　

　　若斷定爲陰影，則只標識爲背景，不更新背景模型。

背景模型更新

　　若像素斷定爲背景，且不屬於陰影，則按必定的權值更新背景模型中最佳匹配像素周圍的像素點，更新公式以下：

　　

　　其中，a(t)是常數，w_i,j是背景建模時，背景模型中每一個像素對應的權重，初始爲高斯權重，背景模型中最匹配像素的位置爲(x',y')。

　　

　　如圖所示，假如f與f₁最匹配，則黑色框的背景像素都將更新，即(b₉,c₇,c₈,e₃,f₁,f₂,e₆,f₄,f₅)。

注意：算法中的每一個像素都要與背景模型中的n*n個像素背景求最小值，在必定程度上影響了處理速度。

算法改進

1.背景模型更新方法優化

　　SOBS算法中，背景模型更新時，只是以是否存在最佳匹配的背景像素點爲更新準則，沒有利用最佳匹配像素點的最小距離值，具體更新方法以下：

　　

　　由上述公式所示，有兩種更新方法可選擇，最小距離d(c_m,p_t)越小，對應的更新因子a_i,j(t)值越大，當前像素點對背景模型的貢獻度越大。

2.背景斷定準則優化

　　SOBS算法中，背景斷定準則是背景模型中是否存在最小距離小於閾值的像素。

　　這種斷定準則存在的問題是如有噪聲的影響，致使像素對應模型塊中恰好存在惟一一個像素的距離小於閾值，此時，會把噪聲點斷定爲背景，產生誤檢。

　　優化方法是引入知足匹配的像素數目做爲斷定準則，優化背景斷定過程，具體方法是以最佳匹配像素表示背景，並計算與之對應的原始像素周圍知足匹配的像素點數目（反向計算匹配過程），計算方法以下：

　　

參考資料：

A Self-Organizing Approach to Background Subtraction for Visual Surveillance Applications

Multivalued Background/Foreground Separation for Moving Object Detection

The SOBS algorithm: what are the limits?