初五-目标检测-背景减除
来源:互联网 发布:3钻淘宝店铺转类目 编辑:程序博客网 时间:2024/04/29 17:13
背景减除
对背景建模,然后进行背景减除剩下前景视作所求的目标,也是目标检测的一类方法。背景模型的巨大变化即意味着目标移动。
帧间差分是背景减除中的一个经典算法。Wren等人提出用3D高斯函数对固定背景每个像素的颜色I(x,y)建模,I(x,y) ~ N(μ (x,y), Σ(x,y))。其中 μ (x,y)是均值, Σ(x,y)是协方差。这两个数据通过对连续背景帧的观测学习得到。由于颜色对光照敏感,单个高斯函数建模的模型不适用于户外场景。
多形态混合统计模型的利用是背景建模的一个重大改进。比如混合高斯模型,非参数核密度估计(Elgammal & Davis[2000]),纹理颜色特征融合(Li & Leung[2002]),以及分层模型(Toyama[1999])等,都是其中的重要算法。
将图像表达为离散事件状态也是一种背景减除方法。对有限的不同事件状态分别进行背景建模,根据该模型区分前景和背景。其中的代表算法是隐形马尔科夫过程(HMM)在背景减除中的应用。
特征空间分解方法(Oliver[2000])则是另一种思路,并非建模独立像素点的变化,进行背景减除。其对光照条件变化不敏感。
上述背景减除方法都有一个局限性,即只能处理静态背景下的检测。Monnet[2003], Zhong & Sclaroff[2003]提出了自回归运动平均过程(ARMA), 可对背景的运动模型进行学习和预测。ARMA过程是个时间序列模型,由自回归和时间平均分量组成,其中自回归过程可以描述为其过去值域白噪声的加权和。
总的来说,处理摄像头静止条件下的跟踪问题,大多数时候可选择背景减除来检测特征区域。因为现有的背景减除方法能处理包括光照、噪声、背景周期运动在内的大多数问题,准确检测目标,而且计算方便。但主要限制在于对摄像头运动条件下处理能力有限。
NEXT STEP -- 帧间差分的再梳理,GMM等四种多形态混合模型的大致了解,HMM的阅读,特征空间分解方法和ARMA大致了解
归纳分割方法的知识
- 初五-目标检测-背景减除
- 背景减除是运动目标检测的常用方法,写出三种背景减除方法。
- 基于自组织背景减除的运动目标检测算法
- opencv程序十七:运动目标检测之背景减除法
- 基于样本一致性的背景减除运动目标检测算法(SACON)
- 基于样本一致性的背景减除运动目标检测算法(SACON)
- 基于样本一致性的背景减除运动目标检测算法(SACON)
- 【计算机视觉】基于自组织背景减除的运动目标检测算法
- 【计算机视觉】基于样本一致性的背景减除运动目标检测算法(SACON)
- 计算机视觉 | Python OpenCV 3 使用背景减除进行目标检测
- 前景检测算法(十六)--背景减除结束篇
- 背景减除法综述
- 背景减除法综述
- 背景减除法综述
- 背景减除-提取前景
- opencv codebook背景减除
- codebook 背景减除
- 运动目标检测--背景减法
- 链表
- 如何使用国际开源项目构建一个完整的GIS(地理信息)应用系统
- 另寻办法更新flash player !
- 生活随笔:最近玩起了三国杀
- OpenJWeb1.9图形工作流功能介绍
- 初五-目标检测-背景减除
- xp安装Sql Server 2005
- 如何让div容器水平居中显示在父容器中
- 微软的一道经典逻辑推理题
- j2ee简介
- kaixin
- 无线路由AES与TKIP加密的区别
- Tomcat DataSource 数据源
- 提高VS2010运行速度的技巧