前景提取--PBAS算法

关于前景提取算法PBAS的粗浅理解

PBAS: 参见论文 Background Segmentation with Feedback: The Pixel-Based Adaptive Segmenter

• 算法的性能不错，在2012年发表
• 基于像素，相对容易理解
• 参数自适应，无论是背景，阈值，还是学习率
• 利用与Vibe算法相似的更新算法
• 不仅独立地用到三个颜色通道的像素值，还用到梯度值

---

---

1. 图像输入I(xi)

a. I(xi)={Iv(xi),Im(xi)};

b. Iv(xi)为输入的像素值

c. Im(xi)输入的梯度值

2. 背景模型B(xi)

a. Bk(xi)={Bvk(xi),Bmk(xi)},同输入I(xi)一致

b. Bvk(xi)为背景的像素值

c. Bmk(xi)为背景的梯度值

d. B(xi)={B1(xi),B2(xi),B3(xi),...,BN(xi)}, N=35

e. 当F(xi)=0时，即认为当前输入I(xi)为背景像素。 B(xi)以1T(xi)的概率更新自己，同时以1T(xi)的概率更新其周边B(yi)

f. 更新自己时，先从{1,2,…,N}中随机选择出一个k，再用对应的输入I(xi)代替Bk(xi).

g. 更新周边B(yi)时，无论F(yi)=0还是F(yi)=1，只要F(xi)=0,则同样先从{1,2,…,N}中随机选择出一个k，再用对应的输入I(xi)代替Bk(yi).

3. 距离公式

a. dist(I(xi),Bk(xi))=αIm¯¯¯¯⋅|Iv(xi)−Bvk(xi)|+|Im(xi)−Bmk(xi)|

b. Im¯¯¯¯¯ 为最后观察到的视频帧的梯度平均值

c. αIm¯¯¯¯ 为梯度值在距离计算中的权值,α＝10

4. 分类阈值R(xi)

a. R(xi)={R(xi)⋅(1−Rinc/dec)ifR(xi)>d¯min(xi)⋅RscaleR(xi)⋅(1+Rinc/dec)else

b. Rscale=5,Rinc/dec=0.05

c. Rlower, 文章只提到其最优值为18,并没有具体应用到公式，按个人的理解，应该是作为R(xi)的下限。

5. 最小阈值 d¯min(xi)

a. dmin(xi)=mink dist(I(xi),Bk(xi))

b. Dk(xi)=dmin(xi)

c. D(xi)={D1(xi),...,DN(xi)}

d. d¯min(xi)=1N⋅∑Nk=1Dk(xi)

5. 更新速率T(xi)

a. T(xi)={T(xi)+Tincd¯min(xi)ifF(xi)=1T(xi)−Tdecd¯min(xi)ifF(xi)=0

b. Tdec=0.05,Tinc=1

c. 更新时必须满足Tlower<T(xi)<Tupper

d. Tlower=2,Tupper=200

6. 前景提取F(xi)

a. F(xi)={1#{dist(I(xi),Bk(xi)) < R(xi)} < #min0else

b. #min=2

---