pixel-basedadaptivesegmenter
（
pbas
）檢測演算法，從思路和框架上看，該演算法是結合了
sacon
和vibe
兩個演算法的優勢，並進行了一些細微的改進而成的，演算法在檢測效能上優於
sacon
和vibe
。創新點：
1).引入控制論的思想，使前景判斷閾值和背景模型更新率自適應變化，隨背景的複雜程度變化。
2).引入背景複雜程度的度量方法，根據背景複雜程度調整前景判斷閾值和背景模型更新率。
主要步驟：
1).建立背景模型
pbas
演算法採用類似
sacon
演算法背景建模方法，收集前
n幀畫素以及梯度幅值作為背景模型；
2).前景檢測
其檢測過程與
vibe
演算法類似，計算樣本集合中滿足匹配條件的樣本個數，若小於閾值
#min
，則表示為背景，不同之處在於不同畫素的判斷閾值
r(xi)
不同；
3).背景模型更新
其更新過程與
vibe
演算法類似，隨機選擇需要被替換的樣本，隨機選擇畫素鄰域的樣本集合更新，不同之處在於更新率不同，
vibe
是固定的更新率，而
pbas
的更新率是自適應的，並且更新鄰域樣本集合是用鄰域的新畫素值進行更新，而不是用新畫素值本身。
4).背景複雜度計算
當新畫素值與樣本集合的最小距離小於閾值時，該說明該畫素可能為背景，此時最小距離可以描述背景的複雜度，距離越大，背景越複雜。因而，採用樣本集合中樣本更新時的最小距離的平均值作為背景複雜度的度量。
5).自適應調整判斷閾值
背景越複雜，其判斷閾值應該越大，保證背景畫素不被誤判為前景，背景越簡單，微小的變化都是由前景引起，判斷閾值應該越小。
6).自適應調整更新率
背景越複雜，其出現錯誤判斷的概率越大，對應的背景更新應該越少，減少錯誤判斷對背景模型的影響。
背景建模 PBAS
pixel based adaptive segmenter pbas 檢測演算法，是基於畫素的無引數模型，該演算法結合了sacon和vibe兩個演算法的優勢，並在這兩個演算法的基礎上改進而來，sacon和vibe演算法的介紹，請參考 背景建模 sacon 背景建模 vibe 創新點 1 引入控制論...
背景建模 PBAS
pixel based adaptive segmenter pbas 檢測演算法，是基於畫素的無引數模型，該演算法結合了sacon和vibe兩個演算法的優勢，並在這兩個演算法的基礎上改進而來，sacon和vibe演算法的介紹，請參考 背景建模 sacon 背景建模 vibe 創新點 1 引入控制論...
計算機視覺 背景建模之PBAS
pixel based adaptive segmenter pbas 檢測演算法，是基於畫素的無引數模型，該演算法結合了sacon和vibe兩個演算法的優勢，並在這兩個演算法的基礎上改進而來，sacon和vibe演算法的介紹，請參考 背景建模 sacon 背景建模 vibe 創新點 1 引入控制論...