背景建模 SACON

2021-09-26 02:21:21 字數 2502 閱讀 8887

sacon(sample consensus)演算法是基於樣本一致性的運動目標檢測演算法。該演算法通過對每個畫素進行樣本一致性判斷來判定畫素是否為背景。

演算法框架圖

由上圖可知,該演算法主要分為四個主要部分,分別是鄰域差分、sacon演算法核心處理、空洞填充後處理、tom(time out map),其中tom(time out map)主要用於背景模型更新,其他部分屬於前景目標檢測。

背景模型建立

對於每個畫素而言,其背景模型可以表示為:c(c1,c2,...,cn),對於彩色影象,ci=(r,g,b),對於灰度影象,則對應於灰度值。

前景目標檢測

1.鄰域幀間差分

為了減少計算量,加快計算速度,採用鄰域幀間差分法提取可能的運動畫素。

2.sacon演算法核心

對於新畫素,將其與對應的背景模型比較,判斷新畫素是否滿足背景模型樣本的一致性。判定方法如下:

其中,兩個公式分別計算新畫素與背景模型的樣本是否距離相近和統計距離相近的樣本數目,當距離相近的樣本數目大於閾值時,則判定新畫素為背景,bt(m) = 1。

公式涉及的閾值主要有tr和tn,當背景模型的樣本集合的數目n越大,距離閾值tr越大,則近似樣本數目閾值tn越大,因而tn正比於n和tr,tn = a * n * tr,a為比例因子。

3.後處理

後處理主要包括兩個操作:陰影去除和空洞填充。

陰影去除:採用進一步的驗證規則,去除陰影區域,驗證規則如下:

其中,是歸一化的色彩空間,r = r/(r+g+b), g = g/(r+g+b),i = (r+g+b)/3,具體細節請參考**資料。

空洞填充:對於檢測到的前景,採用連通性分析,填充前景區域的內部空洞,主要通過形態學濾波實現。

背景模型更新

考慮到背景的移出或前景的停止,sacon演算法採用tom(time of map)進行處理,將背景的移出和運動目標的停止而引起的變化很快的融入到背景中,具體的更新方法分為pixel-level和blob-level。

該方法主要統計畫素m連續分為前景的次數,tomt(m)。

如果tomt(m)的值超過乙個閾值,則更新畫素m對應的背景模型。

如果乙個目標(a blob)處於靜止狀態,則該目標所包含的所有畫素的tom都加1;

如果不處於靜止狀態,則該目標所包含的所有畫素的tom都置為0;

如果目標的tom值大於閾值時,則該目標所包含的所有畫素更新為背景畫素。

blob-level的更新方法,主要是彌補pixel-level的不足,當乙個目標包含運動的部分和不運動的部分,不運動的部分會持續被判定會前景,從而會被pixel-level更新為背景;而運動的部分會時而被判定為前景,時而判定為背景,不會被pixel-level更新為背景;最終的更新後結果是乙個目標被分割,部分被檢測為前景,部分被檢測為背景,不合理。

blob-level通過整體判斷目標是否處於運動或靜止,從而整體更新目標,保證了目標的完整性。

如上圖所示,描述乙個人走入房間,坐下並打**,打**過程中,人大部分區域處於靜止狀態,只有部分區域處於輕微運動狀態。

(a)是原始,(b)是利用pixel-level更新方法後的檢測結果,(c)是結合pixel-level和blob-level更新方法的檢測結果。

由顯示結果可以看出,pixel-level將處於靜止狀態的區域更新為背景,而blob-level方法判定人整體處於運動狀態,因而人未被更新為背景。

注意:

1.背景更新時,背景模型樣本集合的替換策略未說明,是先進先出,還是隨機替換,每次替換的數目也未說明。

2.如何判定乙個目標(a blob)是處於運動狀態,還是處於靜止狀態,文中只是提到可以利用目標的中心和畫素的數目判定,但具體的策略也未說明。

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 ...

PBAS(背景建模)

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...