背景建模方法论文总结
2016-03-15 17:08
302 查看
文章名称:Real-tine tracking of the human body
年份:1997
作者:Christopher Richard Wren
算法名称:单高斯背景建模
简单描述:
将每个像素的可能取值看做是一个高斯分布
文章名称:Adaptive Background Mixture Models for Real-Time Tracking
年份:1999
第一作者:Stauffer C
算法名称:混合高斯背景模型(GMM)
简单描述:
混合高斯模型使用K(基本为3到5个) 个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点, 否则为前景点。每个高斯模型,他主要是有方差和均值两个参数决定,对均值和方差的学习,采取不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性。由于我们是对运动目标的背景提取建模,因此需要对高斯模型中方差和均值两个参数实时更新。为提高模型的学习能力,改进方法对均值和方差的更新采用不同的学习率;为提高在繁忙的场景下,大而慢的运动目标的检测效果,引入权值均值的概念,建立背景图像并实时更新,然后结合权值、权值均值和背景图像对像素点进行前景和背景的分类。但是计算复杂对光照敏感。
文章名称:An Improved Adaptive Background Mixture Model for Realtime Tracking with Shadow Detection
年份:2002
第一作者:Kaewtrakulpong P
算法名称:GMM改进
简单描述:
OpenCV实现的是这篇文章。他的创新点就是用EM初始化每个高斯模型的参数;传统的高斯模型存在学习速度慢,特别对于复杂的环境,并且不能区分移动的阴影和移动的目标。这篇文章提出在更新方程上做了一定的修改,在不同的阶段使用不同的方程,并且介绍了一种阴影检测的方法。
文章名称:Improved Adaptive Gaussian Mixture Model for Background Subtraction
年份:2004
第一作者:Zoran Zivkovic
算法名称:GMM改进
简单描述:
这篇文章的创新点是对混合高斯模型参数更新的方式,递归方程被用来不断的更新参数
文章名称:Effective Gaussian mixture learning for video background subtraction
年份:2005
第一作者:Dar-Shyang L.
算法名称:GMM改进
简单描述:
高斯背景建模存在的问题就是迭代收敛速度和稳定性之间的一种平衡。本文中提出了一种在保持稳定性的基础之上来提高收敛的速度的办法。就是用依据每一帧计算出来的自适应的学习速率来代替之前全局静态的学习速率。
文章名称:A texture-based method for modeling the background and detecting moving objects
年份:2006
第一作者:Marko H
算法名称:LBP特征
简单描述:
本文中提出一种新的基于纹理特征背景建模方法,每一个像素的模型都采用计算其圆形领域像素得到的二值模型直方图
文章名称:Modeling Pixel Process with Scale Invariant Local Patterns for Background Subtraction in Complex Scenes
年份:2010
第一作者:Liao S
算法名称:新的纹理表示方法,scale invariant local ternary pattern(SILTP)
简单描述:
提出了一个尺度不变局部三元模式操作者,并表明它是有效的处理光照变化,尤其是对于移动软阴影。第二,我们提出了一种图案核密度估计技术的本地模式的概率分布,以有效地模拟在像素的过程,只利用单一的LBP状图案,而不是直方图作为特征,背景建模更新的时候提出一种模式核密度估计的方法
文章名称:Independent Component Analysis Based Background Subtraction for Indoor Surveillance
年份:2009
第一作者:Du-Ming T
算法名称:Independent Component Analysis(独立成分分析)
简单描述:
把前景和背景看成两个独立的信号,然后在观测图片分解,适用于室内和医疗监控等检测,对于光照不敏感。
文章名称:Moving Human Detection Based on Depth Interframe Difference
年份:2014
第一作者:Xu H, Liu J
算法名称:深度帧间差分
简单描述:
图像检测中的噪声被大大的减少,人的阴影也得到解决
文章名称:Real-time foreground–background segmentation using codebook model
年份:2005
第一作者:Kim K
算法名称:码本(CodeBook)
简单描述:
该算法为图像中每一个像素点建立一个码本,每个码本可以包括多个码元,每个码元有它的学习时最大最小阈值,检测时的最大最小阈值等成员。在背景建模期间,每当来了一幅新图片,对每个像素点进行码本匹配,也就是说如果该像素值在码本中某个码元的学习阈值内,则认为它离过去该对应点出现过的历史情况偏离不大,通过一定的像素值比较,如果满足条件,此时还可以更新对应点的学习阈值和检测阈值。如果新来的像素值对码本中每个码元都不匹配,则有可能是由于背景是动态的,所以我们需要为其建立一个新的码元,并且设置相应的码元成员变量。因此,在背景学习的过程中,每个像素点可以对应多个码元,这样就可以学到复杂的动态背景
文章名称:A consensus-based method for tracking: Modelling background scenario and foreground appearance
年份:2007
第一作者:Wang H
算法名称:样本一致性背景建模算法 (SACON)
简单描述:
SACON算法建立背景模型的方法是直接取视频序列的前N帧作为背景模型,该算法主要分为四个主要部分,分别是邻域差分、SACON算法核心处理、空洞填充后处理、TOM(Time Out Map),其中TOM(Time Out Map)主要用于背景模型更新,其他部分属于前景目标检测
文章名称:ViBe: A universal background subtraction algorithm for video sequences
年份:2011
作者:vibe
算法名称:ViBe算法
简单描述:
背景模型选择之前对应点前多少帧对应点位置或领域的点,在背景模型更新的过程中,并不是采用一般模型中的先进先出的办法,而是从中随机选择一个除去。计算量小速度快,对相机抖动一定的鲁棒性。
几种背景建模方法的对比:
1.单高斯背景模型
特点:适用于在较长的时间内光照强度无明显的变化,同时运动前景在背景中的阴影较少
不足:对光照强度变化敏感,由于只有一个模型,可能不能讲将背景分离,具有很高的误报率
2.基于统计的背景相减的方法
特点:将颜色分为亮度和色度克服了单高斯背景建模对光照敏感的问题。
不足:只适用于静止背景无运动前景的背景建模
3.混合高斯背景建模
特点:引入混合高斯背景模型,解决了单高斯背景建模不能处理背景中有运动目标的问题
不足:当背景状态较多时,存在很多问题
4.基于码本的背景建模
特点:每个码字代表一个状态,通过一个时域滤波器从除去代表运动前景的码字,再通过空域滤波器恢复那些被时域滤波器滤出的代表较少出现的背景码字
不足:对光照敏感
5.均值中值滤波,帧差法
特点:适合特定场景的滤波
不足:外部扰动变化敏感
常用方法的对比:
背景建模算法 运动检测精度 时间复杂性 空间复杂性
均值方法 不好 好 一般
中值方法 不好 好 一般
滑动平均方法 一般 好 一般
单高斯方法 好 一般 一般
混合高斯方法 好 不好 不好
核密度估计方法 好 不好 不好
码本方法 好 好 好
年份:1997
作者:Christopher Richard Wren
算法名称:单高斯背景建模
简单描述:
将每个像素的可能取值看做是一个高斯分布
文章名称:Adaptive Background Mixture Models for Real-Time Tracking
年份:1999
第一作者:Stauffer C
算法名称:混合高斯背景模型(GMM)
简单描述:
混合高斯模型使用K(基本为3到5个) 个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点, 否则为前景点。每个高斯模型,他主要是有方差和均值两个参数决定,对均值和方差的学习,采取不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性。由于我们是对运动目标的背景提取建模,因此需要对高斯模型中方差和均值两个参数实时更新。为提高模型的学习能力,改进方法对均值和方差的更新采用不同的学习率;为提高在繁忙的场景下,大而慢的运动目标的检测效果,引入权值均值的概念,建立背景图像并实时更新,然后结合权值、权值均值和背景图像对像素点进行前景和背景的分类。但是计算复杂对光照敏感。
文章名称:An Improved Adaptive Background Mixture Model for Realtime Tracking with Shadow Detection
年份:2002
第一作者:Kaewtrakulpong P
算法名称:GMM改进
简单描述:
OpenCV实现的是这篇文章。他的创新点就是用EM初始化每个高斯模型的参数;传统的高斯模型存在学习速度慢,特别对于复杂的环境,并且不能区分移动的阴影和移动的目标。这篇文章提出在更新方程上做了一定的修改,在不同的阶段使用不同的方程,并且介绍了一种阴影检测的方法。
文章名称:Improved Adaptive Gaussian Mixture Model for Background Subtraction
年份:2004
第一作者:Zoran Zivkovic
算法名称:GMM改进
简单描述:
这篇文章的创新点是对混合高斯模型参数更新的方式,递归方程被用来不断的更新参数
文章名称:Effective Gaussian mixture learning for video background subtraction
年份:2005
第一作者:Dar-Shyang L.
算法名称:GMM改进
简单描述:
高斯背景建模存在的问题就是迭代收敛速度和稳定性之间的一种平衡。本文中提出了一种在保持稳定性的基础之上来提高收敛的速度的办法。就是用依据每一帧计算出来的自适应的学习速率来代替之前全局静态的学习速率。
文章名称:A texture-based method for modeling the background and detecting moving objects
年份:2006
第一作者:Marko H
算法名称:LBP特征
简单描述:
本文中提出一种新的基于纹理特征背景建模方法,每一个像素的模型都采用计算其圆形领域像素得到的二值模型直方图
文章名称:Modeling Pixel Process with Scale Invariant Local Patterns for Background Subtraction in Complex Scenes
年份:2010
第一作者:Liao S
算法名称:新的纹理表示方法,scale invariant local ternary pattern(SILTP)
简单描述:
提出了一个尺度不变局部三元模式操作者,并表明它是有效的处理光照变化,尤其是对于移动软阴影。第二,我们提出了一种图案核密度估计技术的本地模式的概率分布,以有效地模拟在像素的过程,只利用单一的LBP状图案,而不是直方图作为特征,背景建模更新的时候提出一种模式核密度估计的方法
文章名称:Independent Component Analysis Based Background Subtraction for Indoor Surveillance
年份:2009
第一作者:Du-Ming T
算法名称:Independent Component Analysis(独立成分分析)
简单描述:
把前景和背景看成两个独立的信号,然后在观测图片分解,适用于室内和医疗监控等检测,对于光照不敏感。
文章名称:Moving Human Detection Based on Depth Interframe Difference
年份:2014
第一作者:Xu H, Liu J
算法名称:深度帧间差分
简单描述:
图像检测中的噪声被大大的减少,人的阴影也得到解决
文章名称:Real-time foreground–background segmentation using codebook model
年份:2005
第一作者:Kim K
算法名称:码本(CodeBook)
简单描述:
该算法为图像中每一个像素点建立一个码本,每个码本可以包括多个码元,每个码元有它的学习时最大最小阈值,检测时的最大最小阈值等成员。在背景建模期间,每当来了一幅新图片,对每个像素点进行码本匹配,也就是说如果该像素值在码本中某个码元的学习阈值内,则认为它离过去该对应点出现过的历史情况偏离不大,通过一定的像素值比较,如果满足条件,此时还可以更新对应点的学习阈值和检测阈值。如果新来的像素值对码本中每个码元都不匹配,则有可能是由于背景是动态的,所以我们需要为其建立一个新的码元,并且设置相应的码元成员变量。因此,在背景学习的过程中,每个像素点可以对应多个码元,这样就可以学到复杂的动态背景
文章名称:A consensus-based method for tracking: Modelling background scenario and foreground appearance
年份:2007
第一作者:Wang H
算法名称:样本一致性背景建模算法 (SACON)
简单描述:
SACON算法建立背景模型的方法是直接取视频序列的前N帧作为背景模型,该算法主要分为四个主要部分,分别是邻域差分、SACON算法核心处理、空洞填充后处理、TOM(Time Out Map),其中TOM(Time Out Map)主要用于背景模型更新,其他部分属于前景目标检测
文章名称:ViBe: A universal background subtraction algorithm for video sequences
年份:2011
作者:vibe
算法名称:ViBe算法
简单描述:
背景模型选择之前对应点前多少帧对应点位置或领域的点,在背景模型更新的过程中,并不是采用一般模型中的先进先出的办法,而是从中随机选择一个除去。计算量小速度快,对相机抖动一定的鲁棒性。
几种背景建模方法的对比:
1.单高斯背景模型
特点:适用于在较长的时间内光照强度无明显的变化,同时运动前景在背景中的阴影较少
不足:对光照强度变化敏感,由于只有一个模型,可能不能讲将背景分离,具有很高的误报率
2.基于统计的背景相减的方法
特点:将颜色分为亮度和色度克服了单高斯背景建模对光照敏感的问题。
不足:只适用于静止背景无运动前景的背景建模
3.混合高斯背景建模
特点:引入混合高斯背景模型,解决了单高斯背景建模不能处理背景中有运动目标的问题
不足:当背景状态较多时,存在很多问题
4.基于码本的背景建模
特点:每个码字代表一个状态,通过一个时域滤波器从除去代表运动前景的码字,再通过空域滤波器恢复那些被时域滤波器滤出的代表较少出现的背景码字
不足:对光照敏感
5.均值中值滤波,帧差法
特点:适合特定场景的滤波
不足:外部扰动变化敏感
常用方法的对比:
背景建模算法 运动检测精度 时间复杂性 空间复杂性
均值方法 不好 好 一般
中值方法 不好 好 一般
滑动平均方法 一般 好 一般
单高斯方法 好 一般 一般
混合高斯方法 好 不好 不好
核密度估计方法 好 不好 不好
码本方法 好 好 好
相关文章推荐
- JNDI是什么
- Andrew Ng机器学习笔记+Weka相关算法实现(二)生成学习/朴素贝叶斯
- 随机中奖记录生成方法
- 心路
- 解决The current branch is not configured for pull No value for key branch.master.
- HA高可用集群
- Linux命令之文件系统(九)
- zxing源码分析——QR码部分
- openresty+websocket+redis simple chat
- android service完全解析。
- php中JSON的标准:双引号而非单引号
- 关于python中,map,reduce,filter,sort函数的用法:
- JAVA学习章
- javascript或jquery实现延迟加载js文件
- openresty+websocket+redis simple chat
- ARM 汇编
- Android stuido中更改图片编辑软件
- Java并发编程:volatile关键字解析
- C++中this指针的用法及介绍
- sqlserver三种分页查询方法