SOBS 背景建模

sobs（self-organizing through artificial neural networks）是一種基於自組織神經網路的背景差分演算法，主要是借鑑神經網路的特性，乙個網路輸入節點，對應多個中間節點，將背景模型中的乙個畫素對映到模型的多個位置，並採用了畫素鄰域空間相關的更新方式，使鄰域的資訊進一步融入模型中，使得演算法具有鄰域空間相關性。

演算法偽**

背景模型建立

選擇背景模型的對映大小，一般選取n = 3，即乙個畫素點對應於模型中的3*3塊，背景模型相比於原始影象擴大了9倍。

選擇hsv顏色空間，選取第一幀資料作為背景模型的初始化資料。如上圖示例所示，ai(h,s,v) = a(h,s,v)。

前景目標檢測

計算當前畫素點與其對應的模型塊裡畫素點的最小距離，距離計算方法如下：

若最小距離小於閾值，則判定為背景，更新背景模型；

否則，進行陰影判斷，陰影判斷方法如下：

若判定為陰影，則只標識為背景，不更新背景模型。

背景模型更新

若畫素判定為背景，且不屬於陰影，則按一定的權值更新背景模型中最佳匹配畫素周圍的畫素點，更新公式如下：

其中，a(t)是常數，wi,j是背景建模時，背景模型中每個畫素對應的權重，初始為高斯權重，背景模型中最匹配畫素的位置為(x',y')。

如圖所示，假如f與f1最匹配，則黑色框的背景畫素都將更新，即(b9,c7,c8,e3,f1,f2,e6,f4,f5)。

注意：演算法中的每個畫素都要與背景模型中的n*n個畫素背景求最小值，在一定程度上影響了處理速度。

演算法改進

1.背景模型更新方法優化

sobs演算法中，背景模型更新時，只是以是否存在最佳匹配的背景畫素點為更新準則，沒有利用最佳匹配畫素點的最小距離值，具體更新方法如下：

由上述公式所示，有兩種更新方法可選擇，最小距離d(cm,pt)越小，對應的更新因子ai,j(t)值越大，當前畫素點對背景模型的貢獻度越大。

2.背景判定準則優化

sobs演算法中，背景判定準則是背景模型中是否存在最小距離小於閾值的畫素。

這種判定準則存在的問題是若有雜訊的影響，導致畫素對應模型塊中剛好存在唯一乙個畫素的距離小於閾值，此時，會把雜訊點判定為背景，產生誤檢。

優化方法是引入滿足匹配的畫素數目作為判定準則，優化背景判定過程，具體方法是以最佳匹配畫素表示背景，並計算與之對應的原始畫素周圍滿足匹配的畫素點數目（反向計算匹配過程），計算方法如下：

SOBS（背景建模）

sobs self organizingthrough artificial neuralnetworks 是一種基於自組織神經網路的背景差分演算法，主要是借鑑神經網路的特性，乙個網路輸入節點，對應多個中間節點，將背景模型中的乙個畫素對映到模型的多個位置，並採用了畫素鄰域空間相關的更新方式，使鄰域的...

背景建模 基於碼本背景建模

一 概述 二 碼本背景模型建立 本演算法採用量化的方法來構建背景模型，針對每乙個畫素點連續取樣值的顏色距離和亮度範圍為每個畫素點構建乙個碼本，根據取樣值的變化情況，每個碼本中碼字的個數不同。假設訓練序列中單個畫素的序列取樣值為 x 它其中的每乙個元素都是乙個rgb 向量。設c 為該畫素的碼本，碼本中...

背景建模演算法 平均背景建模 單高斯背景建模C實現

顏色背景建模的基本原理 對影象中每個畫素的顏色值 灰度或彩色 進行建模。若當前影象座標 x,y 上的畫素顏色值與背景模型中 x,y 處的畫素顏色值有較大差異，當前畫素被認為是前景，否則為背景。平均背景建模是一種簡單，計算速度快但是對環境光照變化和背景的多模態性比較敏感的一種備件建模演算法。基本思想 ...