背景建模--模型更新
2016-06-23 16:45
281 查看
一、更新原则
背景模型的更新策略是背景模型设计中最关键的技术。在模型更新时应当注意如下两条原则:
(A) 背景模型对背景变化的响应速度要足够快。背景的变化可能是:
①由光照变化等因素引起的背景本身颜色的变化;
②背景区域的变化,如前景和背景的相互转化,即某个物体由运动转为静止或由静止转为运动(如停车场的汽车停下或开走)而导致前景物体被“融入”到背景中或背景的一部分“逃逸”而出转而成为前景。如果背景模型不能迅速跟上实际背景的变化,检测结果中就会出现大范围的噪声或不合理的长时间静止前景物体(如图2-a 中静止的汽车启动后留下的“影子”)。
(B) 背景模型对运动目标要有较强的抗干扰能力。因为在背景模型的更新过程中,对背景模型上的每点而言都是受到了一个颜色序列的“训练”,不论实际场景中该点是处于静止背景上还是在运动目标上。静止的背景或目标的这种“训练”是我们所希望的,而运动目标的“训练”则是不希望看到的。特别是当运动物体尺度较大或运动较慢时,这种长时间的“训练”可能会引起错误的检测结果,如在运动目标的尾部产生“空洞”,特别是两个颜色相近的物体交错而过时更加明显(图2-b)。
在单/多高斯分布背景模型中,更新率 α 和权值更新率 β 都反应了模型更新的速度快慢。在单高斯分布背景模型中,较大的α 符合原则(A )却不符合原则(B)的要求,较小的α 则刚好相反。实验表明,很多时候无法找到一个合适的α 能同时满足两方面的要求。一种比较容易想到的改进是赋予背景点较大的更新率,而赋予前景点较小的更新率。这种更新方式可以符合原则(B ),但很多时候对(A)中情形②的效果很差,因为这时静止的前景点会由于更新率过小而很难被“融入”到背景中。
为了解决这个问题,我们将背景模型更新与后面的跟踪结果相结合,赋予背景点和静止的前景点(静止目标)较大的更新率,而赋予运动的前景点(运动目标)较小的更新率。这实际上是用运动目标跟踪的结果来指导更新。经过这种改进可以在保护背景模型不受运动目标影响的同时迅速响应背景的变化。
多高斯分布的背景模型在这些问题上的表现要比单高斯分布背景模型好得多。因为它本身有多个高斯分布,判定前景/背景并不单单依赖于某个高斯分布,更依赖于各个分布的权值和优先级。对(A)中的情形②,它可以通过引入新的高斯分布解决;对(B),由于只有相匹配的高斯分布的高斯参数才得到更新,所以受运动物体的干扰也不是那么严重。但它的不足依然存在,因为它并没有对(A )中静止目标的情况作特别处理,也没有考虑到(B )中的不同“训练”之间的区别。在测试实验中,它对背景变化的响应速度比较慢,大而慢的运动目标仍然容易带来“空洞”。我们对它的改进与对单高斯分布背景模型的改进相似,仍然是对背景点、静止前景点、运动前景点的更新率区别对待,只是作用的参数变成了权值更新率β
,而不是高斯分布参数的更新率α 。
背景模型的更新策略是背景模型设计中最关键的技术。在模型更新时应当注意如下两条原则:
(A) 背景模型对背景变化的响应速度要足够快。背景的变化可能是:
①由光照变化等因素引起的背景本身颜色的变化;
②背景区域的变化,如前景和背景的相互转化,即某个物体由运动转为静止或由静止转为运动(如停车场的汽车停下或开走)而导致前景物体被“融入”到背景中或背景的一部分“逃逸”而出转而成为前景。如果背景模型不能迅速跟上实际背景的变化,检测结果中就会出现大范围的噪声或不合理的长时间静止前景物体(如图2-a 中静止的汽车启动后留下的“影子”)。
(B) 背景模型对运动目标要有较强的抗干扰能力。因为在背景模型的更新过程中,对背景模型上的每点而言都是受到了一个颜色序列的“训练”,不论实际场景中该点是处于静止背景上还是在运动目标上。静止的背景或目标的这种“训练”是我们所希望的,而运动目标的“训练”则是不希望看到的。特别是当运动物体尺度较大或运动较慢时,这种长时间的“训练”可能会引起错误的检测结果,如在运动目标的尾部产生“空洞”,特别是两个颜色相近的物体交错而过时更加明显(图2-b)。
在单/多高斯分布背景模型中,更新率 α 和权值更新率 β 都反应了模型更新的速度快慢。在单高斯分布背景模型中,较大的α 符合原则(A )却不符合原则(B)的要求,较小的α 则刚好相反。实验表明,很多时候无法找到一个合适的α 能同时满足两方面的要求。一种比较容易想到的改进是赋予背景点较大的更新率,而赋予前景点较小的更新率。这种更新方式可以符合原则(B ),但很多时候对(A)中情形②的效果很差,因为这时静止的前景点会由于更新率过小而很难被“融入”到背景中。
为了解决这个问题,我们将背景模型更新与后面的跟踪结果相结合,赋予背景点和静止的前景点(静止目标)较大的更新率,而赋予运动的前景点(运动目标)较小的更新率。这实际上是用运动目标跟踪的结果来指导更新。经过这种改进可以在保护背景模型不受运动目标影响的同时迅速响应背景的变化。
多高斯分布的背景模型在这些问题上的表现要比单高斯分布背景模型好得多。因为它本身有多个高斯分布,判定前景/背景并不单单依赖于某个高斯分布,更依赖于各个分布的权值和优先级。对(A)中的情形②,它可以通过引入新的高斯分布解决;对(B),由于只有相匹配的高斯分布的高斯参数才得到更新,所以受运动物体的干扰也不是那么严重。但它的不足依然存在,因为它并没有对(A )中静止目标的情况作特别处理,也没有考虑到(B )中的不同“训练”之间的区别。在测试实验中,它对背景变化的响应速度比较慢,大而慢的运动目标仍然容易带来“空洞”。我们对它的改进与对单高斯分布背景模型的改进相似,仍然是对背景点、静止前景点、运动前景点的更新率区别对待,只是作用的参数变成了权值更新率β
,而不是高斯分布参数的更新率α 。
相关文章推荐
- 用php实现xml与json之间的相互转换
- three.js 之旅 (三)
- 《C++ Primer Plus》学习笔记0
- Debug和Release区别
- Spring中的循环依赖问题
- 【Linux/C】程序的编译和链接--例子
- myeclipse10配置maven
- [读书笔记]mysql 找回丢失的root密码
- 背景建模--背景更新策略
- 运动目标检测--改进的背景减法
- [代码实例][Linux系统编程]遍历目录
- c++中vector的用法详解
- TrieTree的实现
- 【最短系列】linux命令行中,各颜色意义
- LTE 下行调度过程
- Shiro的 rememberMe 功能使用指导(为什么rememberMe设置了没作用?)
- 运动目标检测--鬼影消除总结
- Android客户端与服务端交互之登陆示例
- $.inArray()使用方法
- js面向对象与继承