ViBe

简单，速度快，但是不适合对复杂环境的检测



GMM：
建模方法是记录每个像素点在不同时间的值，这些值组成 了混合高斯模型的权重。这种背景像素模型能处理实际场 所中遇到的多模的自然场景，在重复的运动背景情况下， 如：树叶树枝等，处理的结果很好。


Disadvantage：1）计算代价较大 2）如果背景高低频变化频繁，算法的敏感度不能精确调 节，模型不能与目标相适应，故高频目标可能损失 3)要注意到自然图像很多其实并非是高斯模型

3）DESCRIPTION OF VIBE


Three considerations: 1) 模型是什么，如何判别前景背景 2) 模型的初始化问题 3)模型的更新问题

1) Pixel Model and Classification Process
Ideal: 已经观测到的像素值再次出现的可能性比没 出现过的高很多 classification: 非参数聚类



3）Adapted distance measure and thresholding
Distance measure: 普通的颜色距离公式在阴暗环 境中效果不好 区分颜色匹配和光线匹配 Ideal: background pixel values lie along the principal axis of the codeword along with the low and high bound of brightness, since the variation is mainly due to brightness. 背景像素值位于一起 的低和高亮度约束，因为沿主轴线的码字的变化 主要是因于亮度。


Codebook algorithm:
像素表现为codebook，它是由一个长的图像序列的背景模 型的压缩形式。每个codebook由codeword组成，codeword 包含了创新的颜色变换矩阵所表示的颜色变换。
Disadvantage :其更新机制并不允许创建一个新的电报密 码本，这在背景的不变结构部分发生变化时可能出问题 （如：室外场景中的免费停车场）。
将前景块中小于等于50个像素点的背景块判定为 前景且不更新，这可以限制一些前景块中错误分 类为背景的点的出现


Inhibition of propagation
it is not always suitable to suppress static objects; it is not appropriate for static objects when users want to keep static objects over time. Compute the gradient on the inner border of background blobs and inhibit the propagation process when the gradient (rescaled to the [0; 255] interval) is larger than 50. This avoids that background values cross object borders. inhibition process slows down the propagation process of background seeds in the foreground object.




Threshold
use a threshold in relation to the samples in the model for a better handling of camouflaged foreground.为了更好处理伪装前景，用一个和模 型中的样本相关联的阈值 we compute the standard deviation σm of the samples of a model and define a matching threshold as 0.5 * σm bounded to the [20, 40] interval.我们计算一个模型的样本的标准偏差σm， 并定义一个匹配的阈值电压为0.5 *σm凑整至[20， 40]区间。
Past update policy disadvantage
保守式更新
属于前景的像素值永远 不能计入背景模型中
产生永久的ghost
盲人更新
无论是否属于背景，样 缓慢运动目标无法检测 本都会计入背景模型中 出来

Author’s update method: 1) a memoryless update policy 2) a random time subsampling 3) Spatial Consistency Through Background Samples Propagation
ViBe: 一种通用的视频背景提 取算法
王倩
主要内容

1) INTRODUCTION 2) REVIEW OF BACKGROUND SUBTRACTION
ALGORITHMS 3) DESCRIPTION OF VIBE a. classification b. Initialization c. update 4) EXPERIMENTAL RESULTS 5) THE IMPROVEMENT OF VIBE:VIBE+
2）REVIEW OF OTHER ALGORITHMS
Strategies
像素点之间相互独立
Disadvantage
像素点扰动错误分类
背景像素点周围的块在一定时间内具有相似 的变化
1周边像素属于其它物体 2N*N的Block就是一个N平方元 素的向量问题
principal component analysis（PCA）



A. 参数确定 ф=16; R=20;
样本数N=20 #min=2



B. Comparison With Other Techniques
Байду номын сангаас
1) GMM 2) EGMM 3) Bayesian algorithm based upon histograms 4) codebook algorithm 5) the zipfian - estimator 6) Gaussian model 7) first-order low-pass filter



(a) Input image. (b) Ground-truth. (c) ViBe (RGB). (d) ViBe (gray). (e) Bayesian histogram. (f) Codebook. (g) EGMM [Zivkovic]. (h) GMM [Li etal.]. (i) Gaussian model. (j) First-order filter. (k) Sigma-Delta Z.


1）INTRODUCTION


Goal:
自动检测，分割并且跟踪视频中的目标；

Concept： 通过用现在的图像去对比已知的观察图像（背景图像），该观 察图像不含有任何感兴趣的对象，是背景模型(或背景图像)。 这个对比过程被称为前景检测。 Problem Characteristics:
Ghost
ineffective for most practical situations(fast illumination


changes; motion changes ;high frequency background objects ;changes in the background geometry)

2) Background Model Initialization
Ideal: 邻居像素可以共享一个空间分布 第一帧时随机挑选周围几个像素点的像素值当做其 背景样本计入背景模型中




优点：1第二帧即可进行前景检测 2光源突变时，抛弃所有的样本值，可以立刻初始化 背景。

3)Updating the background model over time

Result

ViBe+ appears second in the “Average ranking across categories” column but first in the “Average ranking” and “Average precision” columns.



1
1
1
优点：1. 提高空间相关性，可以应对摄像头抖动； 1 2. 消除 ghost
EXPERIMENTAL RESULTS

TP: true positives FP: false positives TN: True negatives FN: false negatives percentage of correct classification PCC:
经过 dt 时间后：

2)Time Subsampling
Ideal: 没必要每一帧都更新一次背景模型.
a random subsampling policy time subsampling factorф; ф=16; 一个像素点在16次判为背景的情况下有一次机会更 新它的背景模型








根据一个像素对应的背景模型 M(x)来分类它的当 前像素值 V(x) 具体方法： 在欧氏颜色空间中以V(x)为球心画一 个球体SR(v(x)) ，统计在球内的背景模型样本点数