背景建模--Vibe 算法优缺点分析
背景建模--Vibe 算法优缺点分析
一、Vibe 算法的优点
Vibe背景建模为运动目标检测研究邻域开拓了新思路，是一种新颖、快速及有效的运动目标检测算法。其优点有以下两点：
1、思想简单，易于实现。Vibe通常随机选取邻域20个样本为每个像素点建立一个基于样本的背景模型，具有初始化速度快、内存消耗少和占用资源少等优点，随后，利用一个二次抽样因子φ，使有限的样本基数能近似表示无限的时间窗口，即在较少样本前提下，保证算法的准确性，最后，并采用一种领域传播机制保证算法的空间一致性。
2、运算效率高。有两方面的原因：一是Vibe背景模型是基于少量样本的背景模型，二是优化了背景模型中的相似度匹配算法。Vibe背景模型是一种基于N个样本的背景模型，为得到最佳N值，分别选取N为5、15、20、25进行了实验对比，如图3.3所示，实验结果表明，N取20、25时，检测结果理想，考虑计算负载，N取20最优。与混合高斯的3-5个高斯模型的计算匹配比较，基于20个样本的背景模型计算具有计算开销低、检测速度快等优点。Vibe的背景模型相似度匹配函数只与R和Umin 有关，背景模型中的样本与待分类像素的欧式距离小于R的个数超过Umin 时，匹配背景模型，判断为背景，在实际实现过程中，优化算法，一旦找到Umin 个匹配样本时，停止计算，判断待分类像素为背景，该方法大大减少了整个算法的计算量，从而提高运算效率。
3、样本衰减最优。有人通过增加样本基数（上至200个）来处理复杂场景，也有人结合两个子模型分别处理快速更新和缓慢更新的情况。其实，选取被替换样本更新背景模型，实质上是样本寿命问题，传统方式采用先进先出的替换策略。Vibe背景模型中每个样本被选中为替换样本的概率是相等的，与样本存在时间的长短无关，这种策略保证背景模型中的样本寿命呈指数衰减，模型更新达到最佳状态。
二、Vibe 算法的缺点
Vibe背景建模有思想简单、易于实现、运算效率高等优点，但算法自身也存在着局限性。主要有鬼影、静止目标、阴影前景和运动目标不完整等问题。
第一个问题：鬼影问题。如图3.4所示，Vibe背景建模利用第一帧作为初始帧初始化背景模型，图(d)是图(c)用Vibe算法检测到的结果，因第一帧（如图(b)所示）中存在着运动目标，并非真实的背景图像（如图(a)所示），检测结果中出现鬼影，如图3.4(d)所示。产生鬼影的根源可归纳为两类：（1）背景模型的初始帧存在着运动目标；（2）运动目标的状态转变，从静止到运动，背景模型的更新速率无法与背景变率相同步，出现虚假目标，即鬼影。
第二个问题：静止目标问题。如图3.5所示，图(a)红框中的人在等地铁，从图(a)到图(c)经过498帧，长时间驻留未运动，该人物运动目标逐渐被背景吸收。本文将在450帧以上都没有明显位移的运动目标区域定义为静止目标区域。产生静止目标问题的根源可归纳为两类：（1）运动目标从运动到静止，（2）运动目标运动缓慢。当Vibe背景模型的更新速度过快时，将静止或缓慢运动目标吸收为背景的一部分，此时这两种运动目标就检测不出来了。
第三个问题：阴影前景问题。如图3.6所示，图(b)和图(d)分别是用Vibe 算法对人体运动目标(a)和车体运动目标(c)的检测结果，由于光线被人体或车体运动目标所遮挡，投射阴影区的背景被误检为运动目标前景。阴影的存在导致检测出来的运动目标形状不准确，影响后续目标分类、跟踪、识别和分析等其他智能视频处理模块。产生阴影前景问题的根源是：光线被运动目标前景遮挡，投射阴影区的颜色比背景的颜色暗，即阴影和背景颜色值的距离相差较大，背景差分后被误检为运动目标前景。
第四个问题：运动目标不完整问题。如图3.7所示，图(a)中的人内部出现空洞，图(b)中的人中间出现断层，图(c)中的人上半身出现边缘残躯，图(d)车体的挡风玻璃出现空洞。运动目标通常可分为非刚性物体和刚性物体，人属于非刚性物体，车属于刚性物体，这两种常见检测对象的检测结果都出现了不完整现象。总结图3.7的实验结果，可将运动目标不完整现象分为三类：a）运动目标内部有大量空洞。（b）运动目标边缘残缺，呈现C字型凹陷。（c）运动目标中间有断层。
产生运动目标不完整问题的根源主要有以下两点：（1）Vibe算法自身存在缺陷。基于统计学原理的Vibe样本模型受限于模型的样本个数，当样本趋于无穷大时才能准确描述场景，这在实际应用中是不可能实现的；（2）场景或运动目标的 复杂性和多变性。主要有三种情况：1）瞬时的光线突变，背景模型来不及更新，2）前景与背景颜色相近，将前景误判为背景，3）噪声干扰，出现孤立噪声点和连通噪声区域。
背景建模--Vibe 算法优缺点分析相关推荐
- 背景建模--Vibe 算法改进
背景建模--Vibe 算法改进 一.概述 针对鬼影问题,提出一种了基于前景区域与邻域背景区域直方图相似性度量的判别方法,检测并消除鬼影:针对静止目标问题,改进了Vibe背景模型的更新策略,有效抑制静止 ...
- python算法的缺陷和不足_最全最实用的机器学习算法优缺点分析
原标题:最全最实用的机器学习算法优缺点分析 最全最实用的机器学习算法优缺点分析 2017-06-10 数据派THU 来源:AI100 本文长度为4600字,建议阅读6分钟 本文结合使用场景及实际经验, ...
- 最实用的机器学习算法优缺点分析，没有比这篇说得更好了
AI技术年度盛会即将开启!11月8-9日,来自Google.Amazon.微软.Facebook.LinkedIn.阿里巴巴.百度.腾讯.美团.京东.小米.字节跳动.滴滴.商汤.旷视.思必驰.第四范式 ...
- 盘点｜最实用的机器学习算法优缺点分析，没有比这篇说得更好了
对于机器学习算法的盘点,网上屡见不鲜.但目前,还没人能结合使用场景来把问题说明白,而这一点正是本文的目的所在. 文中作者将结合他的实际经验,细致剖析每种算法在实践中的优势和不足. 本文的目的,是务实. ...
- MATLAB数学建模必备算法--层次分析法AHP
其主要用于解决评价类问题(例如:选择哪种方案最好.哪位运动员或者员工表现的更优秀) 一个很典型的层次分析法案例: 确定评价目标: 高考完后小明想要去旅游,有三个目的地供他选择: 苏杭 北戴河 桂林 确 ...
- 数学建模常规算法——层次分析法
层次分析法是将定性问题定量化处理的一种有效手段,根据不同的指标进行比对,得出最优解.层次分析法是一种定性和定量相结合的.系统化的.层次化的分析方法. 层次分析法的基本思路: 1)目标层: 2)准则层( ...
- 背景提取算法——帧间差分法、背景差分法、ViBe算法、ViBe+算法
背景提取是在视频图像序列中提取出背景,背景就是场景中静止不动的景物.因为摄像机不动,因此图像中的每个像素点都有一个对应的背景值,在一段时间内,这个背景值是比较固定的.背景提取的目标就是根据视频图像序列 ...
- 运动检测ViBe算法python实现
运动物体检测一般分为背景建模和运动物体分析两步.即构建不包含运动物体的背景模型.然后将新的视频帧和背景模型对比,找出其中的运动物体.目前比较好的背景建模算法有两种:1)文章(Zivkovic Z. ( ...
- python运动物体检测_运动检测ViBe算法python实现代码
运动物体检测一般分为背景建模和运动物体分析两步.即构建不包含运动物体的背景模型.然后将新的视频帧和背景模型对比,找出其中的运动物体.目前比较好的背景建模算法有两种:1)文章(Zivkovic Z. ( ...
最新文章
- 2021学科排名：中国12个工科世界第一，网友：全是不吃香的
- 从创作工具到虚拟超现实主义，聊一聊VR的艺术王国
- 【原创】概率DP总结 by kuangbin
- 2015年百度三面试题
- 初创公司怎么做销售数据分析_为什么您的初创企业需要数据科学来解决这一危机...
- 推荐系统(3)-协同过滤2-矩阵分解算法
- Android App优化之ANR详解
- stm32倒计时秒表proteus_单片机课程设计倒计时秒表教程文件
- 修改系统时间导致myeclipse不能自动发布的解决方法
- 小学生也能看懂的ArrayList底层原理
- 兄弟打印机内存已满清零方法_兄弟打印机清零方法大全
- 建立自己公众号题库系统
- DirectAdmin+阿里云免费SSL证书 面板里安装SSL
- C# 获取类的属性名
- MySQL之存储过程及函数的使用
- 字符串前面添加u,r,b的含义
- 第十一家面试（堆糖）
- 严重的编程错误或致文件删除、黑客使用新恶意软件逃避检测｜1月26日全球网络安全热点
- 【机器学习必备知识】NumPy线性代数详解
- 修改数据库表字段长度