【背景建模】VIBE
ViBe是一种像素级的背景建模、前景检测算法,该算法主要不同之处是背景模型的更新策略,随机选择需要替换的像素的样本,随机选择邻域像素进行更新。在无法确定像素变化的模型时,随机的更新策略,在一定程度上可以模拟像素变化的不确定性。
背景模型的初始化
初始化是建立背景模型的过程,一般的检测算法需要一定长度的视频序列学习完成,影响了检测的实时性,而且当视频画面突然变化时,重新学习背景模型需要较长时间。
ViBe算法主要是利用单帧视频序列初始化背景模型,对于一个像素点,结合相邻像素点拥有相近像素值的空间分布特性,随机的选择它的邻域点的像素值作为它的模型样本值。
优点:不仅减少了背景模型建立的过程,还可以处理背景突然变化的情况,当检测到背景突然变化明显时,只需要舍弃原始的模型,重新利用变化后的首帧图像建立背景模型。
缺点:由于可能采用了运动物体的像素初始化样本集,容易引入拖影(Ghost)区域。
前景检测过程
背景模型为每个背景点存储一个样本集,然后每个新的像素值和样本集比较判断是否属于背景。
计算新像素值和样本集中每个样本值的距离,若距离小于阈值,则近似样本点数目增加。
如果近似样本点数目大于阈值,则认为新的像素点为背景。
检测过程主要由三个参数决定:样本集数目N,阈值#min和距离相近判定的阈值R,一般具体实现,参数设置为N=20,#min=2,R=20。
背景模型的更新策略
1).无记忆更新策略
每次确定需要更新像素点的背景模型时,以新的像素值随机取代该像素点样本集的一个样本值。
2).时间取样更新策略
并不是每处理一帧数据,都需要更新处理,而是按一定的更新率更新背景模型。当一个像素点被判定为背景时,它有1/rate的概率更新背景模型。rate是时间采样因子,一般取值为16。
3).空间邻域更新策略
针对需要更新像素点,随机的选择一个该像素点邻域的背景模型,以新的像素点更新被选中的背景模型。
ViBe的改进
1).距离计算方法
以圆椎模型代替原来的几何距离计算方法
以自适应阈值代替原来固定的距离判定阈值,阈值大小与样本集的方差成正比,样本集方差越大,说明背景越复杂,判定阈值应该越大。
2).分离updating mask和segmentation mask
引入目标整体的概念,弥补基于像素级前景检测的不足。针对updating mask和segmentation mask采用不同尺寸的形态学处理方法,提高检测准确率。
3).抑制邻域更新
在updating mask里,计算像素点的梯度,根据梯度大小,确定是否需要更新邻域。梯度值越大,说明像素值变化越大,说明该像素值可能为前景,不应该更新。
4).检测闪烁像素点
引入闪烁程度的概念,当一个像素点的updating label与前一帧的updating label不一样时,blinking level增加15,否则,减少1,然后根据blinking level的大小判断该像素点是否为闪烁点。闪烁像素主要出现在背景复杂的场景,如树叶、水纹等,这些场景会出现像素背景和前景的频繁变化,因而针对这些闪烁应该单独处理,可以作为全部作为背景。
5).增加更新因子
ViBe算法中,默认的更新因子是16,当背景变化很快时,背景模型无法快速的更新,将会导致前景检测的较多的错误。因而,需要根据背景变化快慢程度,调整更新因子的大小,可将更新因子分多个等级,如rate = 16,rate = 5,rate = 1。
参考资料:
ViBe A universal background subtraction algorithm for video sequences
Background Subtraction Experiments and Improvements for ViBe
【背景建模】VIBE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 ...
- 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背景建模算法
ViBe算法:ViBe - a powerful technique for background detection and subtraction in video sequences 算法官网: ...
- ViBe(Visual Background extractor)背景建模或前景检测
ViBe算法:ViBe - a powerful technique for background detection and subtraction in video sequences 算法官网: ...
- 【计算机视觉】背景建模之PBAS
本文是根据M. Hofmann等人在2012年的IEEE Workshop on Change Detection上发表的"Background Segmentation with Feed ...
- 目标检测中背景建模方法
FROM: http://www.cnblogs.com/ronny/archive/2012/04/12/2444053.html 最近一直在做前景检测方面的研究,刚开始主要是做一些工程性的应用,为 ...
- 常见的目标检测中的背景建模方法总结
最近一直在做前景检测方面的研究,刚开始主要是做一些工程性的应用,为了解决工程方面的问题,下了不少功夫,也看了不少最近国内外的文章.一直想做个总结,拖着拖着,终究却写成这篇极不成功的总结.(文章下载:h ...
- 运动目标检测(背景建模)
高斯背景建模 高斯背景模型是由Stauffer等人提出的经典的自适应背景建模方法,假设每个像素在时域上符合正态分布,在一定阈值范围内 的像素判定为背景,并用来更新模型,不符合该分布的像素即为前景. 高 ...
- 背景建模方法论文总结
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 ...
最新文章
- predicate 列存储索引扫描_在SQL SERVER中导致索引查找变成索引扫描的问题分析
- jQuery的回调函数
- 检测网络是否稳定的计算机命令,如何查看自己的网络是否稳定
- 可作为GC Roots的对象
- Hadoop概念学习系列之Hadoop 是什么?(一)
- 移动深度学习:人工智能的深水区
- delphi 人脸比对_比较好的开源人脸识别软件有哪些?
- excel冻结行和列_说一说有些人在EXCEL中还不会用的冻结窗格
- erlang与rabbitmq下载(Window)
- 美团活动又来了|0.98充10元话费,秒到账,不实名不绑卡,超简单!
- 创龙TI Sitara列AM4376/AM4379 ARM Cortex-A9高性能低功耗处理器
- 扬帆际海——跨境电商转型升级新时代来临!
- #### mysql联合索引 注意事项 ####
- 九章量电子计算机诞生于,计算机应用基础统考题
- Android扑克牌抽奖View,android自定义层级view,扑克牌堆叠效果,cascadeLayout
- JAVAWeb ——静态网页
- 阿德莱德大学计算机考研专业,阿德莱德大学研究生学制是几年?
- 揭开腾讯云原生同城双活的秘密
- C加加中的数组与指针-基础语法
- javaSE、javaEE、Android知识点总结