实例介绍
【实例简介】
基于视频的移动目标检测是一个重要且有挑战性的任务，在许多应用中都起 到相当关键的作用。本次论文研读围绕该主题展开，深入阅读了十余篇论文，在 本文总结了视频中移动目标检测的一些主要方法及各自的优劣。
报告接下来的部分组织如下:第二节介绍一般问题的陈述及典型的应用,第 三节与第四节分别介绍基于像素的移动目标检测方法与基于区域的移动目标检 测方法,第五节进行简单的讨论与总结。 2问题陈述及应用 一般而言移动目标检测并不单独地构成应用,而是作为一个组件出现在许多 实际的应用之中。故移动目标检测的具体要求随着应用的改变而有很大的不同。 例如对足球场上球员及足球的检测与跟踪就和对视频中用户手势的跟踪有所不 同,前者的关键在于如何应对复杂的光照变化有效提取运动物体,后者的难点则 在于如何从整个躯休大范围的运动背景中将手势的运动识别并提取出来。 尽管不同的应用可能提出不同的技术上的要求,但是相当一部分这类问题还 是可以在同一的框架下进行探讨和比较的。以下就是本文讨论范围内一般问题的 陈述( Figure1): a.高层次的模型一般具有检测、跟踪、识别三个模块,其中识别模块并不 必须 b.检测模块可细分为移动日标区域检测与移动目标分组,其中前者是这个 模块能够顺利工作的保证,其日的是将各帧内移动日标所在的区域标出 该模型的输入为连续的视频,输出为跟踪的物体(即轨迹)或分类的物 体, Detectio Tracking background Object detection Matching using Frames color texture and Tracked subtraction using contours motion features obiects Gr。 up handling (merging and litton Figure1系统框架 图中即为一个典型的流程图,其中省略了分类模块并把运动目标区域检测规 定为背景差分方法。 该模型的典型应用场景是室内\外的视频监视分析( Figure2),特别是交通数据 的分析。另外体育运动视频(如足球或台球)的分析也能在该模型下解决。 Figure2移动目标检测的典型应用:视频监控 本文讨论的就是这样一个系统之中移动目标检测部分内容,并且将重点放在 了如何判定移动目标区域的部分。这是这样的系统中的最初的处理,对于之后的 处理能否获得有效的信息至关重要。该内容主要涉及两个问题:如何提取运动的 前景,及如何建立一个良好的背景模型。后者一般并不是应用任务中所要求完成 的,但往往是用以提取运动前景很好辅助工具,将新的一帧“减去”背景即可获 得移动前景,故同时具有这两个步骤的方法也被称为“背景差分”,是移动目标 检测中的一大类主流方法,本报告中涉及的大部分方法即属于这一类 3基于像素的移动目标检测 31均值-阈限方法 均值-阈限( Figure3)的基本思路是计算每个像素的平均值和标准差作为它的 背景模型 Mean 2*Avg Diff Mean <= Hand Brightness=>” Mean-2*Avg Diff Figure3均值-國限方法 4 图中为某视频中单个像素在一定时间内不断更新得到的平均值和平均差值3, 该像素处在天空的位置,在一段时问后有人的手挥过该区域,可以看到由于前景 目标明显不如背景中的天空明亮,所以可以很容易将其分辨出来 实际上均值-阈限方法就是赋予视频中每个像素一个统计上的背景模型,例 如高斯分布模型4。每个点需要两个参数来衡量:均值与方差。后面将看到,许 多更先进的棊于像素的移动目标检测方法其实无非采用了更复杂的分布模型来 描述每个像素 32阴影去除及三高斯模型 简单的帧差值或均值-阈限方法在很多应川中都面临一个很严重的问题:阴 影。在某些光照条件下,移动物体产生的阴影相对背景具有非常显著的差别从而 被识别成了前景,有时这些阴影比物体本身还人,并且导致原本独立的运动物体 连接在一起无法分割。 一种简单的思路是放弃使用灰度值进行背景建模,而采用颜色信息从而将阴 影的移动去除掉。这类方法需要一条假设:移动目标投射到路面上的阴影主要改 变了该位置的亮度而对色度没有大的影响°。部分情况下确实可以承认该假设。 在不同的颜色模型下有不同提取亮度信息的方式。在HSV等空间中这个任务尤 为简单,因为亮度本身就是一个独立的分量,所以在该分量以外的维度上进行背 景建模与差分就能消除一定的阴影。如果在常用的RGB颜色空间中,亮度的提 取就稍微复杂倒。 Figure4RGB空间中的亮度与色度 3类似标准差的作用,但是计算更快捷。 C.R. Wren, A Azarbayejani, T. Darrell, and A P Pentland "pfinder Real-Time Tracking of the human body lEEE Trans. Pattern Analysis and Machine Intelligence, vol. 19, no. 7, pp. 780-785, July 1997 J.M. Alvarez, A Lopez, and r Baldrich, " Illuminant-Invariant Model-Based Road Segmentation",IEEE Intelligent Vehicles Symposium, June 2008 5 将一个像素的颜色值在RGB三维空间中表示( Figure4),背景建模就是确定了 穿过原点的一条色度直线,所有在该直线上的颜色都认为是背景色。当前颜色相 对参考颜色(背景)的亮度分量a1由最小化下式给出: φ(a;)=(l1-c1E)2 a2表示该像素当前值相对参考背景色的相对亮度。如果其值为1则代表亮度 相同,大于1代表比背景更亮,小于1代表比背景更培 当前颜色到色度直线的垂直距离就表小色度的偏离: CD1=‖l2-aE1‖ (3) 利用色度与亮度的偏离值就可以将新的颜色值分为四个类别 Forground: CDi> IcD or ai> Alow, else M() Back ground:a<τa1and1>τa2 else (4) Shadow else Highlight otherwise 其中CD2与a分别代表均一化之后的两个偏离分量。 这些方强烈依赖于上面提到的假设:阴影仅仅改变背景亮度而不改变色度。 但是这个假设实际上并不总是有效,很多时候还需要更复杂的方法达到去除阴影, 鉴别真正移动目标的目的。三高斯模型4就是针对去除阴影的考虑提出的。 这个模型中采用三个高斯分布相结合( Figure5)对各像素进行建模。三个高 斯成分分别为:道路、运动前景及阴影。这三个成分组合成为了完整的混合模型 (b) 和印甲品 f叫 intersity vale Figure5三个高斯分布相结合 6 此方法之后面临的主要问题是如何通过一定时间的学习获得每个高斯分布 的参数从而建立有效的模型。相关文献中提出采用EM算法( Expectation Maximization Algorithm)进行学习。EM算法是一个迭代的算法,通过有限步的 迭代就能够获得较好的模型估计。一般而言,为了从一个数据集中获得该数据集 满足的混合分布,可以采用最大后验概率估计的方法进行估计,但是这样的方法 需要关于每个数据分类的信息(即每个值属于哪个类别)。然而在移动目标检测 过程中往往都是无监督的学习从而不可能获得这样的分类信息,而只能自动设定 个预先的分类,然后通过迭代不断改进,这就是EM算法的基本思路 另外,由于各点的数据是不断改变的,于是采川原始的EM算法对每一帧都 进行重复的迭代既不必要也不现实,可以采用EM算法的一个变种:增量EM算 法 33高斯混合模型(GMM 331背景建虞 在某些场景之下,采用三个高斯分布的混合模型仍然无法有效地描述复杂的 现实环境,于是髙斯混合模型四被提出了。高髙斯混合模型采用类似3.2中三个髙 斯模型的思路,希望采用多个高斯分布相结合的方法来描述环境。与前面的模型 不同的是,现在高斯分布的个数不是固定的一个或三个了,而是随着各个像素实 际的需要动态地进行设定。另外该方法也放弃采用费时的EM算法而采用更快捷 的方式进行背景建模与更新。 假设已知像素(xo,y)在过去一段时间中的颜色值或灰度值 {X1,…,X}={(xo,yo,):1≤i≤t (5) 若由K个高斯分布的高斯混合模型对该像素进行建模,则新观察到一个颜色 值或灰度值的概率为 P(x1)=)o*n(x,,E (6) 在RGB等彩色空间中为了简化计算可以采用如下公式 k,t 7) A Dempster, N. Laird, and D. Rubin, "Maximum Likelihood from Incomplete Data via the EM algorithm", Journal of the Royal Statistical Society, pp. 1-38, 1977 这个公式假设了各个颜色分量是相互独立的。尽管事实并不如此,但这样计 算在保留充分的精确性的同时大大降低了计算复杂性。 这样每个像素就采用κ个峰的髙斯混合模型完成了建模。剩余的问题同样是 如何对模型中的各个参数进行估计,以及如何判别前景。 3.3.2背景更新 背景更新大致有这几个步骤: a.每一个新的值都与所有K个高斯分布进行匹配,直到找到充分吻合的分 布(判断方式与均值-阈限方法类似) b.若新的值与所有K个分布都不接近,则将K个分布中权值最小的一个替 换成一个新的分布,该分布以新的值为均值,并且具有很高的初始方差 和很低的初始权重; C.若新的值与某个分布充分接近,则认为其属于该分布并更新各个分布的 权值及参数 Ort=(1-aOKt-1+aM (8) =(1-p)ut-1+p·X (9) =(1-p)21+p(X-1)(x-2) (10) h ere ( kok (11) 其中(8)式中Mkt对于匹配上的分布唯1,对于其他分布为0 α表示适应性的强弱,α越大,给予新的值的权重越大,也就适应得越快; (9)式(10)式仅针对匹配上的分布,而其他分布的参数保持不表 3.3.3前景检测 运动前景的检测主要有以下几个步骤 a.对所有的高斯分布按照ω/σ进行从大到小的排序; b.取前B个高斯分布,满足 B= argmin k T (12) k= 其中T表示背景应该占的比重,如果T取得较小则类似于前面介绍的均值 阈限模型,T取得较大则允许背景有更丰富的特性,如随风摆动的树叶 或水面的波纹等等。 C.如果当前出现的新的值并不符合这B个高斯分布,则认为是运动的前景, 否则认为是背景。 34非参数模型 341背景建模 为了能够更快速地适应变化的背景,并且保证对移动物体的敏感性,马里兰 大学A. Elgammal等人提岀采用非参数的模型四对各个像素进行建模。该方法并 不指定确切模型形式,而釆用核旳数来利用历史薮据建立模型。在釆用高斯核的 情况下,一个颜色出现的概率’ ∑K(x-x ∑∏ 1 (13) 2 这样实际上就是对考虑范围内所有的历史值都建立一个高斯分布,并利用所 有这些分布对当前值进行分析。由于高斯分布的假设,故(x1+1-x1)~N(0272), 于是可以估计方差 (14) 0.68V2 其中m是|x+1-xl的中位数。 号外由于在这种方法下需要大量计算核函数的值,故可以预先计算出一定精 度的核函数数据表,通过查表的方法大大加快计算的速度。实验表明这样的方法 在一般的PC机上是可以达到实时的计算要求的。 34.2减少错误检测 为了降低由于局部抖动(如树叶抖动、摄像机抖动)带来的错误检测,该方 法利用了一定的区域信息。原先的P(x1)现在改用Pm(x代替 PN(t= maxyEN(x) Prix Byy (15) 此处N(x)指该像索周围的一个小区域,B指像素y对应的背景模型。这样 就充分降低了由于小范围抖动导致的错误检测。 7该式成立仍然需要假设各个颜色分量相互独京。 9 该方法需要维护两个背景模型:长期模型及短期模型。其中短期的模型是为 了能够快速适应变化的背景而提出的,仅利用相当短的一段历史值建立模型,另 外该模型采用选择更新机制(仅对判定属于背景的值进行更新);长期的模型在 相当长的时间内通过盲更新机制(对所有值进行更新)获得。两个模型判定结果 的交集能够进一步降低错误的检测,但同时也去除了部分实际上是移动目标的部 分。最终采用的策略为:所有由短期模型检测出来,并且与两个模型判定结果交 集相邻的像素被视作运动的前景 3.4.3去除阴景 这个方法同样提到了去除阴影的问题( Figure6) 采用RGB颜色模型的一个变种<,g,S>表示颜色: R B R+G+B·9=R+G+Bb=R+G+B′ (16) s=RtG+B (17) 令A为某个像素在一定时间内的取值,而定义B如下 B={x1|x∈A≤≤阝 (18) 其含义就是该像素过去的背景取值中与当前值亮度接近的值的集合 利用B中的值在(r,g)二维空间上进行上述的背景建模及前景检测,就能 很有效地消除检测的阴影。 Figure6非参数模型下的阴影去除 4基于区域的移动目标检测 从上面的介绍的方法来看,建立的背景模型越来越复杂:高斯分布的个数从 一个到三个,再到K个,再到每个历史值各一个。这样的背景模型已经具有了高 度的复杂性,但是在有些应用环境下效果仍然并不理想。反思一下这些方法的特 点,仅仅利用各个像素的独立信息而没有考虑像素之间的关联性是键的原因。 其实在3.42中采用方法实际上已经开始尝试以局部区域作为考虑问题的范围, 【实例截图】
【核心代码】
基于视频的移动目标检测是一个重要且有挑战性的任务，在许多应用中都起 到相当关键的作用。本次论文研读围绕该主题展开，深入阅读了十余篇论文，在 本文总结了视频中移动目标检测的一些主要方法及各自的优劣。
报告接下来的部分组织如下:第二节介绍一般问题的陈述及典型的应用,第 三节与第四节分别介绍基于像素的移动目标检测方法与基于区域的移动目标检 测方法,第五节进行简单的讨论与总结。 2问题陈述及应用 一般而言移动目标检测并不单独地构成应用,而是作为一个组件出现在许多 实际的应用之中。故移动目标检测的具体要求随着应用的改变而有很大的不同。 例如对足球场上球员及足球的检测与跟踪就和对视频中用户手势的跟踪有所不 同,前者的关键在于如何应对复杂的光照变化有效提取运动物体,后者的难点则 在于如何从整个躯休大范围的运动背景中将手势的运动识别并提取出来。 尽管不同的应用可能提出不同的技术上的要求,但是相当一部分这类问题还 是可以在同一的框架下进行探讨和比较的。以下就是本文讨论范围内一般问题的 陈述( Figure1): a.高层次的模型一般具有检测、跟踪、识别三个模块,其中识别模块并不 必须 b.检测模块可细分为移动日标区域检测与移动目标分组,其中前者是这个 模块能够顺利工作的保证,其日的是将各帧内移动日标所在的区域标出 该模型的输入为连续的视频,输出为跟踪的物体(即轨迹)或分类的物 体, Detectio Tracking background Object detection Matching using Frames color texture and Tracked subtraction using contours motion features obiects Gr。 up handling (merging and litton Figure1系统框架 图中即为一个典型的流程图,其中省略了分类模块并把运动目标区域检测规 定为背景差分方法。 该模型的典型应用场景是室内\外的视频监视分析( Figure2),特别是交通数据 的分析。另外体育运动视频(如足球或台球)的分析也能在该模型下解决。 Figure2移动目标检测的典型应用:视频监控 本文讨论的就是这样一个系统之中移动目标检测部分内容,并且将重点放在 了如何判定移动目标区域的部分。这是这样的系统中的最初的处理,对于之后的 处理能否获得有效的信息至关重要。该内容主要涉及两个问题:如何提取运动的 前景,及如何建立一个良好的背景模型。后者一般并不是应用任务中所要求完成 的,但往往是用以提取运动前景很好辅助工具,将新的一帧“减去”背景即可获 得移动前景,故同时具有这两个步骤的方法也被称为“背景差分”,是移动目标 检测中的一大类主流方法,本报告中涉及的大部分方法即属于这一类 3基于像素的移动目标检测 31均值-阈限方法 均值-阈限( Figure3)的基本思路是计算每个像素的平均值和标准差作为它的 背景模型 Mean 2*Avg Diff Mean <= Hand Brightness=>” Mean-2*Avg Diff Figure3均值-國限方法 4 图中为某视频中单个像素在一定时间内不断更新得到的平均值和平均差值3, 该像素处在天空的位置,在一段时问后有人的手挥过该区域,可以看到由于前景 目标明显不如背景中的天空明亮,所以可以很容易将其分辨出来 实际上均值-阈限方法就是赋予视频中每个像素一个统计上的背景模型,例 如高斯分布模型4。每个点需要两个参数来衡量:均值与方差。后面将看到,许 多更先进的棊于像素的移动目标检测方法其实无非采用了更复杂的分布模型来 描述每个像素 32阴影去除及三高斯模型 简单的帧差值或均值-阈限方法在很多应川中都面临一个很严重的问题:阴 影。在某些光照条件下,移动物体产生的阴影相对背景具有非常显著的差别从而 被识别成了前景,有时这些阴影比物体本身还人,并且导致原本独立的运动物体 连接在一起无法分割。 一种简单的思路是放弃使用灰度值进行背景建模,而采用颜色信息从而将阴 影的移动去除掉。这类方法需要一条假设:移动目标投射到路面上的阴影主要改 变了该位置的亮度而对色度没有大的影响°。部分情况下确实可以承认该假设。 在不同的颜色模型下有不同提取亮度信息的方式。在HSV等空间中这个任务尤 为简单,因为亮度本身就是一个独立的分量,所以在该分量以外的维度上进行背 景建模与差分就能消除一定的阴影。如果在常用的RGB颜色空间中,亮度的提 取就稍微复杂倒。 Figure4RGB空间中的亮度与色度 3类似标准差的作用,但是计算更快捷。 C.R. Wren, A Azarbayejani, T. Darrell, and A P Pentland "pfinder Real-Time Tracking of the human body lEEE Trans. Pattern Analysis and Machine Intelligence, vol. 19, no. 7, pp. 780-785, July 1997 J.M. Alvarez, A Lopez, and r Baldrich, " Illuminant-Invariant Model-Based Road Segmentation",IEEE Intelligent Vehicles Symposium, June 2008 5 将一个像素的颜色值在RGB三维空间中表示( Figure4),背景建模就是确定了 穿过原点的一条色度直线,所有在该直线上的颜色都认为是背景色。当前颜色相 对参考颜色(背景)的亮度分量a1由最小化下式给出: φ(a;)=(l1-c1E)2 a2表示该像素当前值相对参考背景色的相对亮度。如果其值为1则代表亮度 相同,大于1代表比背景更亮,小于1代表比背景更培 当前颜色到色度直线的垂直距离就表小色度的偏离: CD1=‖l2-aE1‖ (3) 利用色度与亮度的偏离值就可以将新的颜色值分为四个类别 Forground: CDi> IcD or ai> Alow, else M() Back ground:a<τa1and1>τa2 else (4) Shadow else Highlight otherwise 其中CD2与a分别代表均一化之后的两个偏离分量。 这些方强烈依赖于上面提到的假设:阴影仅仅改变背景亮度而不改变色度。 但是这个假设实际上并不总是有效,很多时候还需要更复杂的方法达到去除阴影, 鉴别真正移动目标的目的。三高斯模型4就是针对去除阴影的考虑提出的。 这个模型中采用三个高斯分布相结合( Figure5)对各像素进行建模。三个高 斯成分分别为:道路、运动前景及阴影。这三个成分组合成为了完整的混合模型 (b) 和印甲品 f叫 intersity vale Figure5三个高斯分布相结合 6 此方法之后面临的主要问题是如何通过一定时间的学习获得每个高斯分布 的参数从而建立有效的模型。相关文献中提出采用EM算法( Expectation Maximization Algorithm)进行学习。EM算法是一个迭代的算法,通过有限步的 迭代就能够获得较好的模型估计。一般而言,为了从一个数据集中获得该数据集 满足的混合分布,可以采用最大后验概率估计的方法进行估计,但是这样的方法 需要关于每个数据分类的信息(即每个值属于哪个类别)。然而在移动目标检测 过程中往往都是无监督的学习从而不可能获得这样的分类信息,而只能自动设定 个预先的分类,然后通过迭代不断改进,这就是EM算法的基本思路 另外,由于各点的数据是不断改变的,于是采川原始的EM算法对每一帧都 进行重复的迭代既不必要也不现实,可以采用EM算法的一个变种:增量EM算 法 33高斯混合模型(GMM 331背景建虞 在某些场景之下,采用三个高斯分布的混合模型仍然无法有效地描述复杂的 现实环境,于是髙斯混合模型四被提出了。高髙斯混合模型采用类似3.2中三个髙 斯模型的思路,希望采用多个高斯分布相结合的方法来描述环境。与前面的模型 不同的是,现在高斯分布的个数不是固定的一个或三个了,而是随着各个像素实 际的需要动态地进行设定。另外该方法也放弃采用费时的EM算法而采用更快捷 的方式进行背景建模与更新。 假设已知像素(xo,y)在过去一段时间中的颜色值或灰度值 {X1,…,X}={(xo,yo,):1≤i≤t (5) 若由K个高斯分布的高斯混合模型对该像素进行建模,则新观察到一个颜色 值或灰度值的概率为 P(x1)=)o*n(x,,E (6) 在RGB等彩色空间中为了简化计算可以采用如下公式 k,t 7) A Dempster, N. Laird, and D. Rubin, "Maximum Likelihood from Incomplete Data via the EM algorithm", Journal of the Royal Statistical Society, pp. 1-38, 1977 这个公式假设了各个颜色分量是相互独立的。尽管事实并不如此,但这样计 算在保留充分的精确性的同时大大降低了计算复杂性。 这样每个像素就采用κ个峰的髙斯混合模型完成了建模。剩余的问题同样是 如何对模型中的各个参数进行估计,以及如何判别前景。 3.3.2背景更新 背景更新大致有这几个步骤: a.每一个新的值都与所有K个高斯分布进行匹配,直到找到充分吻合的分 布(判断方式与均值-阈限方法类似) b.若新的值与所有K个分布都不接近,则将K个分布中权值最小的一个替 换成一个新的分布,该分布以新的值为均值,并且具有很高的初始方差 和很低的初始权重; C.若新的值与某个分布充分接近,则认为其属于该分布并更新各个分布的 权值及参数 Ort=(1-aOKt-1+aM (8) =(1-p)ut-1+p·X (9) =(1-p)21+p(X-1)(x-2) (10) h ere ( kok (11) 其中(8)式中Mkt对于匹配上的分布唯1,对于其他分布为0 α表示适应性的强弱,α越大,给予新的值的权重越大,也就适应得越快; (9)式(10)式仅针对匹配上的分布,而其他分布的参数保持不表 3.3.3前景检测 运动前景的检测主要有以下几个步骤 a.对所有的高斯分布按照ω/σ进行从大到小的排序; b.取前B个高斯分布,满足 B= argmin k T (12) k= 其中T表示背景应该占的比重,如果T取得较小则类似于前面介绍的均值 阈限模型,T取得较大则允许背景有更丰富的特性,如随风摆动的树叶 或水面的波纹等等。 C.如果当前出现的新的值并不符合这B个高斯分布,则认为是运动的前景, 否则认为是背景。 34非参数模型 341背景建模 为了能够更快速地适应变化的背景,并且保证对移动物体的敏感性,马里兰 大学A. Elgammal等人提岀采用非参数的模型四对各个像素进行建模。该方法并 不指定确切模型形式,而釆用核旳数来利用历史薮据建立模型。在釆用高斯核的 情况下,一个颜色出现的概率’ ∑K(x-x ∑∏ 1 (13) 2 这样实际上就是对考虑范围内所有的历史值都建立一个高斯分布,并利用所 有这些分布对当前值进行分析。由于高斯分布的假设,故(x1+1-x1)~N(0272), 于是可以估计方差 (14) 0.68V2 其中m是|x+1-xl的中位数。 号外由于在这种方法下需要大量计算核函数的值,故可以预先计算出一定精 度的核函数数据表,通过查表的方法大大加快计算的速度。实验表明这样的方法 在一般的PC机上是可以达到实时的计算要求的。 34.2减少错误检测 为了降低由于局部抖动(如树叶抖动、摄像机抖动)带来的错误检测,该方 法利用了一定的区域信息。原先的P(x1)现在改用Pm(x代替 PN(t= maxyEN(x) Prix Byy (15) 此处N(x)指该像索周围的一个小区域,B指像素y对应的背景模型。这样 就充分降低了由于小范围抖动导致的错误检测。 7该式成立仍然需要假设各个颜色分量相互独京。 9 该方法需要维护两个背景模型:长期模型及短期模型。其中短期的模型是为 了能够快速适应变化的背景而提出的,仅利用相当短的一段历史值建立模型,另 外该模型采用选择更新机制(仅对判定属于背景的值进行更新);长期的模型在 相当长的时间内通过盲更新机制(对所有值进行更新)获得。两个模型判定结果 的交集能够进一步降低错误的检测,但同时也去除了部分实际上是移动目标的部 分。最终采用的策略为:所有由短期模型检测出来,并且与两个模型判定结果交 集相邻的像素被视作运动的前景 3.4.3去除阴景 这个方法同样提到了去除阴影的问题( Figure6) 采用RGB颜色模型的一个变种<,g,S>表示颜色: R B R+G+B·9=R+G+Bb=R+G+B′ (16) s=RtG+B (17) 令A为某个像素在一定时间内的取值,而定义B如下 B={x1|x∈A≤≤阝 (18) 其含义就是该像素过去的背景取值中与当前值亮度接近的值的集合 利用B中的值在(r,g)二维空间上进行上述的背景建模及前景检测,就能 很有效地消除检测的阴影。 Figure6非参数模型下的阴影去除 4基于区域的移动目标检测 从上面的介绍的方法来看,建立的背景模型越来越复杂:高斯分布的个数从 一个到三个,再到K个,再到每个历史值各一个。这样的背景模型已经具有了高 度的复杂性,但是在有些应用环境下效果仍然并不理想。反思一下这些方法的特 点,仅仅利用各个像素的独立信息而没有考虑像素之间的关联性是键的原因。 其实在3.42中采用方法实际上已经开始尝试以局部区域作为考虑问题的范围, 【实例截图】
【核心代码】
标签：
好例子网口号：伸出你的我的手 — 分享！
相关软件
小贴士
感谢您为本站写下的评论，您的评论对其它用户来说具有重要的参考价值，所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字，对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙，所以请不要反馈意义不大的重复字符，也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明，或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦，又没人会搭理，于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享，对搜索内容的合法性不具有预见性、识别性、控制性，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论平台是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定，若资源存在侵权或相关问题请联系本站客服人员，点此联系我们。关于更多版权及免责申明参见 版权及免责申明
网友评论
我要评论