视频监控与视频分析 第十二章 运动目标检测.ppt

* * * 其中，减号可以代表很多意义，不仅仅限于背景差分的方法 * 给定一个调色板，然后将它放在一个封闭的盒子中，在盒子中放入实验光照，然后再改变关照的亮度，通过摄像机拍摄图像序列。 采样如图a中的调色板所示的4个点，然后画出它们在实验视频序列中的RGB颜色分布图 所有的RGB颜色值都分布在一个狭长的圆柱当中，并且圆柱都指向了原点（0，0，0） 作者模型：用圆柱模型描述背景颜色，所有RGB颜色值落在圆柱内的都属于背景，落在圆柱外的属于前景 * 每个codebook代表图像中一个像素的背景模型，其中每个codebook包含一个或者多个codeword 在codeword中首先是一个向量value包含了圆柱模型的重心RGB像素值，然后包含一个六元组，分别是最大最小亮度值（Ihigh ,?Ilow）、频率（frequency）、最大负运行长度（lambda）、首次和末次出现时间（p，q） * value：codeword圆柱的重心，即所有像素值的平均值，初始化为第一个像素值； Ihigh ,?Ilow：?一个codeword对应的所有像素中的最大最小亮度值，初始化为第一个像素的亮度； frequency：codeword出现的频率，初始化为1； lambda：最大负运行长度（maximum negative run-length），即在训练过程中，codeword没有再次出现的最长时间间隔，初始化为t-1（t为当前帧数）；? p，q：codeword第一次和最后一次出现的时间，初始化为t（t为当前帧数）； * 其中N表示图像像素分辨率，即codebook个数；L为某一codebook的codeword集合； * colordist(xt,vm)表示输入像素和codeword圆柱模型的颜色差，图示如下，其中红色线段即表示颜色差，计算公式如下，即计算输入像素到圆柱中轴的垂线段的长度； * 为了能够更适合的多变的环境（包括前景的影子和高亮的情况），作者设计了两个参数alpha和beta如下，其中alpha小于1而beta大于1。典型的alpha在0.4和0.7范围内，beta在1.1和1.4范围内。 * 精炼的两个原因： 1.不会出现一点儿前景噪声都没有的情况，一般都会有少量的前景出现 2.背景可能还会包括变动的前景（树叶随风而动） 一般情况下MNRL的阈值是训练样本数的一半 * 在前景检测中，同样地计算输入像素是否符合背景模型，如果符合就可以更新背景，如果不符合就作为前景被检测出来。 符合背景要求的条件和背景建模当中的两个条件是一样的。 * 有损压缩视频的时间和空间块压缩策略导致像素值的不正常分布，这样便使得很多的背景建模方法不能处理有损压缩视频的情况 b中表示RGB中B通道值在放大到标准差的20倍后的效果，c-f分别为各种背景建模方法的检测效果 * 在一些建筑物大门、房间走廊、高速公路等人或车辆走动非常大的地方，很难找到一些干净的视频序列用来训练背景 * 作者通过实验发现不同的物体表面（光滑或粗糙）的像素的变化不同，在不同的全局光照条件下像素的变化也不同 对于原始的codebook算法，背景更新的过程当时间过了很久以后就不会产生更大的作用了（大数原理），修改为学习率的话就保证了之后每次输入像素都占一定的比重，而历史的codeword也占一定的比重。 方差的更新不是很懂原因 * 内存和时间上效率提高不少 对“time of day”类型的图像序列效果提高 * 首先利用基于局部二值模式的纹理信息进行第一层分块背景建模, 然后缩小建模粒度, 在第一层上选取代表点进行第二层码本背景建模; 目标检测时, 不同粒度从上到下与所得背景模型分层匹配。第一层采用纹理背景建模, 在第一层均匀地选取几个代表点, 每个点代表一小块区域, 对其进行第二层的码本建模。这样的检测效果是可以利用局部纹理模型很好的消除了阴影 LBP不是很懂？？？ * 消除了阴影 * 这种结合其他基于像素背景建模算法的改进，基本上遵循的路线都是在进行前景检测时，多加入了几个条件，只有所有的条件都不符合才算是前景，因此检测出来的前景噪声点少很多 * 细节进行了改进 作者认为codebook算法作者自身的改进算法的一种多层的codebook算法中很多地方不是很合适，因此他在一些地方加入了自己的修改 主要是对codebook原始算法的一些策略方面的改进，对很多不适合的地方进行了修改 * 计算输入像素与模型的“差”时可以减少计算量，提高算法的运行效率 * 对codebook算法在时间和空间两个维度上进行了改进，提出了两种改进算法 1. 在原始codebook算法判断输入像素是否为前景的时候不仅仅判断该像素对应的codebook本