目标检测中背景建模方法

      

'Levenberg-Marquardt'

options = optimset('Algorithm','levenberg-marquardt',...

   'Display','off','TolX',0.001,'TolFun',0.001);

pid = lsqnonlin(@tracklsq, pid0, [], [], options);

 

 

opts=optimset('Algorithm','interior-point'); 

options=optimset ('Display','iter','TolX',1e-25,'TolFun',1e-25,'LargeScale','off','MaxIter',2,'MaxFunEvals',inf);    

 

options：包含算法控制参数的结构  设定（或显示）控制参数的命令为Optimset，有以下一些用法： Optimset //显示控制参数  optimset optfun //显示程序'optfun的控制参数 opt=optimset //控制参数设为[]（即缺省值  opt=optimset(optfun)// 设定为程序'optfun的控制参数缺省值 Opt=optimset('par1',val1,'par2',val2,...) Opt=optimset(oldopts,'par1',val1,...) opt=optimset(oldopts,newopts)  可以设定的参数比较多，对lsqnonlin和lsqcurvefit，常用的有以下一些参数： Diagnostics 是否显示诊断信息（ 'on' 或'off）  Display 显示信息的级别（'off' ， 'iter' ， 'final，'notify） LargeScale 是否采用大规模算法（ 'on' 或'off）缺省值为on  MaxIter 最大迭代次数 TolFun 函数计算的误差限 TolX 决策变量的误差限  Jacobian 目标函数是否采用分析Jacobi矩阵（'on' ，'off） MaxFunEvals 目标函数最大调用次数  LevenbergMarquardt 搜索方向选用LM法(‘on’), GN法(‘off’,缺省值)  

 

2 LargeScale = 'off' and
LevenbergMarquardt = 'off
在以后的版本可能被替代，这是给出警告；
2、为弥补，在使用Gauss-Newton algorithm可以设置一下
'trust-region-reflective'
'levenberg-marquardt'

options = optimset('LargeScale','off','LevenbergMarquardt','on');

3 liqnonlin:

  [x,resnorm, r esidual,exitflag, output,lambda,jacobian]=lsqnonlin(…)
说明：x返回解向量；resnorm返回x处残差的平方范数值：sum(fun(x).^2)；residual返回x处的残差值fun(x)；lambda返回包含x处拉格朗日乘子的结构参数；jacobian返回解x处的fun函数的雅可比矩阵。
lsqnonlin默认时选择大型优化算法。Lsqnonlin通过将options.LargeScale设置为’off’来作中型优化算法。其采用一维搜索法。

 

4 LSQNONLIN implements two different algorithms: trust region reflective and Levenberg-Marquardt. Choose one via the option Algorithm: for instance, to  choose Levenberg-Marquardt, set OPTIONS = optimset('Algorithm','levenberg-marquardt'),  and then pass OPTIONS to LSQNONLIN. 

 

 

%%%%%% options = optimset('largescale','off','levenbergmarquardt','on');%%%过时失效

    %%%%%%  options = optimset('Algorithm','Levenberg-Marquardt','TolFun',1e-25); 存在问题 

%%%%% options = optimset('Algorithm','Levenberg-Marquardt');存在问题

 

    options = optimset('Algorithm','levenberg-marquardt','Display','off');%%%可行

 

%%%%未处理的

options=optimset('Algorithm','Levenberg-Marquardt','LargeScale','off');

目标检测中背景建模方法 总结

计算机视觉论坛

http://www.cvchina.net/forum.php?mod=viewthread&tid=5162

原文引自：☆Ronny丶的博客：

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。      背景建模或前景检测的算法主要有：
1. Single Gaussian (单高斯模型)
Real-time tracking of the human body
2. 混合高斯模型（Mixture of Gaussian Model）
An improved adaptive background mixture model for real-time tracking with shadow detection
3. 滑动高斯平均（Running Gaussian average）---Single Gaussian
Real-time tracking of the human body
对于单高斯和混合高斯估计大家都熟悉，这里不再累述（混合高斯在现有的背景建模算法中应该算是比较好的，很多新的算法或改进的算法都是基于它的一些原理的不同变体，但混合高斯算法的缺点是计算量相对比较大，速度偏慢，对光照敏感）；
4. 码本 (CodeBook)
Real-time foreground–background segmentation using codebook model
Real-time foreground-background segmentation using a modified codebook model
对与Codebook算法，曾经做过实验，效果还可以，后来也有多种变体，没有进一步的进行研究，但算法对光照也敏感）；
5. 自组织背景检测( SOBS-Self-organization background subtraction)
A self-Organizing approach to background subtraction for+visual surveillance
对于自组织背景建模算法即SOBS算法，该算法对光照有一定的鲁棒性，但MAP的模型比输入图片大，计算量比较大，但是可以通过并行处理来解决算法的速度问题，可以进行尝试；
6. 样本一致性背景建模算法 (SACON)
A consensus-based method for tracking
A consensus-based method for tracking-Modelling background scenario and foreground appearance
SACON-Background subtraction based on a robust consensus method
SACON算法是基于统计的知识，代码实现过，并做过实验，效果还可以，但没有进一步的分析；
7. VIBE算法
vibe
ViBe-A Universal Background Subtraction
VIBE算法是B哥的一个大作，网上有现成的算法可用，但已申请了专利，用于做研究还是可以的，该算法速度非常快，计算量比较小，而且对噪声有一定的鲁棒性，检测效果不错；
8. 基于颜色信息的背景建模方法（Color)
A statistical approach for real-time robust background subtraction and shadow detection
基于颜色信息的背景建模方法,简称Color算法，该算法将像素点的差异分解成Chromaticity差异和Brightness差异，对光照具有很强的鲁棒性，并有比较好的效果，计算速度也比较快，基本可以满足实时性的要求，做了许多视频序列的检测，效果比较理想；
9. 统计平均法
10. 中值滤波法( Temporal Median filter)
Automatic congestion detection system for underground platform
Detecting moving objects,ghost,and shadows in video streams
统计平均法和中值滤波法，对于这两个算法，只对统计平均法做了实现，并进行了测试，算法的应用具有很大的局限性，只能算是理论上的一个补充；
11. W4方法
W4.pdf
W4算法应该是最早被用于实际应用的一个算法，这个大家可以去查看相关的资料，这里不再细说；
12. 本征背景法
A Bayesian computer vision system for modeling human interactions
本征背景法没实现过，看很多文献有讲解，然后该算法又是基于贝叶斯框架，本人一直对贝叶斯框架不感冒，理论上很Perfect，实际应用就是Shit（无意冒犯贝氏粉丝，如有冒犯，请绕路，勿吐口水）；
13. 核密度估计方法
Non-parametric model for background subtraction
最后就是核密度估计算法，该算法应该是一个比较鲁棒的算法，可以解决很多算法参数设置方面的问题，无需设置参数应该是算法的一大优势。

个人观点：SOBS、Color、VIBE、SACON、PDF等可以进行深入的了解，特别是近年来出现的Block-based或Region-Based、Features-Based、基于层次分类或层次训练器的算法可以进行深入的研究。
推荐一篇综述文章：Evaluation of Background Subtraction Techniques for Video Surveillance
再推荐一个网站：http://www.changedetection.net/