vibe算法学习笔记

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了vibe算法学习笔记，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含2438字，纯文字阅读大概需要4分钟。

内容图文

vibe算法是采用领域像素来创建背景模型，通过比对背景模型和当前输入像素值来检测前景。

模型的工作原理

背景像素样本（该点过去的像素和其领域的像素）的选取：邻域点选取采用8邻域方法随机选取。用v(x)表示图像中x处的像素在给定的欧几里得颜色空间所取得值，每个背景像素x由N个背景样本值集合来建模

 　　　　　　　　　　　　　　　　M(x)={v₁,v₂,……vN}

根据模型M(x)对像素值v(x)进行分类，定义一个以v(x)为中心的半径为R的球面S(v(x))，将其与样本中最接近的值进行比较。将规定阈值记为#min，若

 　　　　　　　　　　　　　　　　#{S_R(v(x))∩M(x)}>#min

则该像素点为背景点。反之，为前景点。

模型初始化

初始化是建立背景模型的过程，一般检测算法需要一定长度的视频序列学习完成，影响了检测的实时性，而且当视频画面突然变化时，重新学习背景模型需要较长时间。

vibe算法主要是利用单帧视频序列初始化背景模型，对于一个像素点，结合相邻像素点拥有相近像素值的空间分布特性，随机选择它的邻域点的像素值作为它的模型样本值。我们假设t=0索引第一帧,N_G(x)是像素位置x的空间邻域，位置y是根据统一定律随机选择的。

　　　　　　　　　　　　　　M0(x)={v0(y|y∈N_G(x)}

 缺点：在第一帧中出现一个移动的物体将会引入Ghost。

更新模型

保守更新策略：像素样本只有被分类为背景样本时，才能被包含在背景模型中，而前景点永远不能被用于填充背景模型。该方法保证了对移动对象的精确检测，前提是它们与背景颜色不相似。缺点是会导致死锁情况和Ghost。解决方法是引入空间信息或采用前景点计数的方法。

盲目更新策略：不管样本是否被归类为背景都被添加到背景模型中。优点是对死锁不敏感，缺点是对慢速运动目标检测能力差，慢速运动目标逐渐被包含在背景模型中。一个可能的解决办法是使用大尺寸的像素模型，它覆盖了长时间窗口。但这是以增加内存使用和更高的计算成本为代价的。

vibe算法采用的是保守更新策略与空间信息相结合的方法，还可以加入前景计数方法。

前景计数方法：对像素点进行统计，如果某个像素点连续N次被检测为前景，则将其更新为背景点。

这样的更新策略包含三个特性：

无记忆更新：保证样本值保持在样本集合内的概率单调衰减，此方法与保守的更新策略相结合，不应该将前景值包含在模型中。新值替换随机选择的样本，而不是首先替换旧值。dt时间后样本被保留的概率是

 　　　　　　　　　　　　　　P(t,t+dt)=[(N-1)/N]^(t+dt)-t

也可以写作

 　　　　　　　　　　　　　　P(t,t+dt)=e^{-ln(N/(N-1))dt}

该式表明样本在dt时间内被保留的概率与t无关，即过去对未来没有影响。

时间子采样：不必为每个新帧更新背景模型，当一个像素点被分为背景时，它有的概率更新背景模型。

空间邻域更新策略：由于我们使用的是保守更新策略，必须要解决它的缺点引入空间信息。当一个像素点被选择去更新背景模型中的样本值时，也同时也有的概率去更新它的邻域的样本值。该方法利用了像素值的空间传播特性，背景模型逐渐向外扩散，有利于Ghost的快速识别。

内容总结

以上是互联网集市为您收集整理的vibe算法学习笔记全部内容，希望文章能够帮你解决vibe算法学习笔记所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---