一、vibe 演算法的優點
vibe背景建模為運動目標檢測研究鄰域開拓了新思路，是一種新穎、快速及有效的運動目標檢測演算法。其優點有以下兩點：
1、思想簡單，易於實現。vibe通常隨機選取鄰域20個樣本為每個畫素點建立乙個基於樣本的背景模型，具有初始化速度快、記憶體消耗少和占用資源少等優點，隨後，利用乙個二次抽樣因子φ，使有限的樣本基數能近似表示無限的時間視窗，即在較少樣本前提下，保證演算法的準確性，最後，並採用一種領域傳播機制保證演算法的空間一致性。
2、運算效率高。有兩方面的原因：一是vibe背景模型是基於少量樣本的背景模型，二是優化了背景模型中的相似度匹配演算法。vibe背景模型是一種基於n個樣本的背景模型，為得到最佳n值，分別選取n為5、15、20、25進行了實驗對比，如圖3.3所示，實驗結果表明，n取20、25時，檢測結果理想，考慮計算負載，n取20最優。與混合高斯的3-5個高斯模型的計算匹配比較，基於20個樣本的背景模型計算具有計算開銷低、檢測速度快等優點。vibe的背景模型相似度匹配函式只與r和umin 有關，背景模型中的樣本與待分類畫素的歐式距離小於r的個數超過umin 時，匹配背景模型，判斷為背景，在實際實現過程中，優化演算法，一旦找到umin 個匹配樣本時，停止計算，判斷待分類畫素為背景，該方法大大減少了整個演算法的計算量，從而提高運算效率。
3、樣本衰減最優。有人通過增加樣本基數（上至200個）來處理複雜場景，也有人結合兩個子模型分別處理快速更新和緩慢更新的情況。其實，選取被替換樣本更新背景模型，實質上是樣本壽命問題，傳統方式採用先進先出的替換策略。vibe背景模型中每個樣本被選中為替換樣本的概率是相等的，與樣本存在時間的長短無關，這種策略保證背景模型中的樣本壽命呈指數衰減，模型更新達到最佳狀態。
二、vibe 演算法的缺點
vibe背景建模有思想簡單、易於實現、運算效率高等優點，但演算法自身也存在著侷限性。主要有鬼影、靜止目標、陰影前景和運動目標不完整等問題。
第乙個問題：鬼影問題。如圖3.4所示，vibe背景建模利用第一幀作為初始幀初始化背景模型，圖(d)是圖(c)用vibe演算法檢測到的結果，因第一幀（如圖(b)所示）中存在著運動目標，並非真實的背景影象（如圖(a)所示），檢測結果中出現鬼影，如圖3.4(d)所示。產生鬼影的根源可歸納為兩類：（1）背景模型的初始幀存在著運動目標；（2）運動目標的狀態轉變，從靜止到運動，背景模型的更新速率無法與背景變率相同步，出現虛假目標，即鬼影。
第二個問題：靜止目標問題。如圖3.5所示，圖(a)紅框中的人在等地鐵，從圖(a)到圖(c)經過498幀，長時間駐留未運動，該人物運動目標逐漸被背景吸收。本文將在450幀以上都沒有明顯位移的運動目標區域定義為靜止目標區域。產生靜止目標問題的根源可歸納為兩類：（1）運動目標從運動到靜止，（2）運動目標運動緩慢。當vibe背景模型的更新速度過快時，將靜止或緩慢運動目標吸收為背景的一部分，此時這兩種運動目標就檢測不出來了。
第四個問題：運動目標不完整問題。如圖3.7所示，圖(a)中的人內部出現空洞，圖(b)中的人中間出現斷層，圖(c)中的人上半身出現邊緣殘軀，圖(d)車體的擋風玻璃出現空洞。運動目標通常可分為非剛性物體和剛性物體，人屬於非剛性物體，車屬於剛性物體，這兩種常見檢測物件的檢測結果都出現了不完整現象。總結圖3.7的實驗結果，可將運動目標不完整現象分為三類：a）運動目標內部有大量空洞。（b）運動目標邊緣殘缺，呈現c字型凹陷。（c）運動目標中間有斷層。
產生運動目標不完整問題的根源主要有以下兩點：（1）vibe演算法自身存在缺陷。基於統計學原理的vibe樣本模型受限於模型的樣本個數，當樣本趨於無窮大時才能準確描述場景，這在實際應用中是不可能實現的；（2）場景或運動目標的 複雜性和多變性。主要有三種情況：1）瞬時的光線突變，背景模型來不及更新，2）前景與背景顏色相近，將前景誤判為背景，3）雜訊干擾，出現孤立雜訊點和連通雜訊區域。
背景建模之vibe學習
最近在了解背景建模方面的一些東西，發現vibe演算法從實時性和處理效果來衡量，具有較好的實用性。這裡借鑑博主tongai的部落格新增一點自己的理解。vibe演算法不計算概率密度函式模型，他所用的每個畫素點是選取固定長度的取樣來建立背景模型。為了確定乙個新的畫素pt x 是前景還是背景，作者將這個值中...
維度建模的優缺點
維度建模就是 按照事實表，維度表來構建資料倉儲，資料集市。這種方法的最被人廣泛知曉的名字就是星型模式 star schema 雪花模型 snow schema 優點 a 維度建模是可 的標準框架。允許資料庫系統和終端使用者查詢工具在資料方面生成強大的假設條件，這些資料主要在表現和效能方面起作用。後期...
聚類演算法優缺點分析
演算法定義 優點缺點 kmeans 簡單 高效 快速收斂 當簇接近高斯分布式，聚類效果好 必須定義平均值，k事先給定，k的值影響聚類效果，對異常值影響大 dbscan 可以對任意形狀進行聚類，對異常值不敏感 對簇密度相差較大，不均勻的話，聚類效果不好，樣本大，收斂時間長 凝聚式層次聚類 速度快，對異...