Foreground Detection: A Fast Self-tuning Background Subtraction Algorithm

reference

A Fast Self-tuning Background Subtraction Algorithm

关键思想

背景模型的有效性检测，本文同样基于像素（相对于基于区域，基于帧），通过K个背景像素样本进行背景提取，但不同于VIBE类算法(PBAS,VIBE+,Subsense)等的随机更新策略，此方法通过对背景像素样本的有效性进行排序，及时剔除没什么用的像素样本，一般而言，这些被剔除的样本就是一些背景像素边沿点或者前景像素，剔除它们可以提高召回率及精确率。

主要变量

T： 背景像素样本，它包含着B和C，B即背景像素值，C为对应的有效值。文中含K个背景像素样本T0,T1,...,TKT_0,T_1,...,T_K,对应着(B0,C0),(B1,C1),...,(BK,CK)(B_0,C_0),(B_1,C_1),...,(B_K,C_K)。

B: 背景像素值，更新方式：Bj=(1−α)Bj+αIB_j=(1-\alpha )B_j + \alpha I, 这里II为当前输入帧。

C: 有效性，当CjC_j匹配到当前输入像素时，使其加1，同时使其它Ci,i≠jC_i,i \neq j 减1。每次C更新后都要进行再次排序，除C0C_0外，C1到CKC_1 到C_K 按值从大到小排列。

前景检测：对当前输入帧 II ，匹配序列Cj,其中Cj>0，即Cj=0不参与匹配，即为无效模板，匹配顺序按Cj的值从大到小C_j, 其中C_j>0，即C_j=0不参与匹配，即为无效模板，匹配顺序按C_j的值从大到小 当没有一个匹配时(当前像素与背景样本的距离 > ε\varepsilon )，可以得到 FG1。对当前输入帧和模板进行均值过滤，得到相应的区域前景FG2,最终的前景为FG1与FG2的交。据说这样可以过滤前景噪声！

长期模板：有一个特殊的模板，C0C_0,它只有C1>θL且C0<θLC_1> \theta _L 且C_0< \theta _L 时参与排序。当C1成功取代C0C_1 成功取代 C_0 后，再进行排序时，令C0=γθL C_0 =\gamma \theta _L 以保证长期模板的稳定性。

模板替换：当输入像素被认为是前景F时，如果CA=0C_A=0,则新的模板TA=(BA,CA)T_A=(B_A,C_A)则被设置，初始化为CA=1,BA则对应前景像素值C_A=1,B_A则对应前景像素值,。当然，CAC_A>0时，如果匹配distance(BA,I)<εdistance(B_A,I)< \varepsilon 时，且当前像素为前景像素时，C_ACAC_A加1，否则减1。当C_A> \theta _ACA>θAC_A> \theta _A 时，且该当像素的领域与B_ABAB_A接近时（distance(BA,Bneighbor)<εdistance(B_A,B_{neighbor})< \varepsilon ,至于取B0,B1,还是遍历，原文没提B_0,B_1,还是遍历，原文没提），将TAT_A替换到T的序列中，当然是取有效性最低的那个样本。

噪声控制与距离阈值控制，与其它方法无太大差别。具体实现看代码即可。

效果

CDNet benchmark 前几名