切换均值、自适应、单高斯与混合高斯模型,观察背景模型、差异图和前景掩膜之间的关系。
当需要在连续视频中检测运动目标或新出现物体时,直接用相邻两帧相减会留下双影,也容易把静止不久的目标漏掉。需要先为每个像素建立一个长期背景模型,再把当前帧与它比较。
常用办法是用前若干帧的均值作为背景;也可以用<TeachingTerm term="自适应递推" explanation="自适应递推按学习率 α 把当前帧融入背景,α 越大背景更新越快,适合缓慢光照变化。" />持续更新背景,或者用单高斯分布、<TeachingTerm term="混合高斯模型" explanation="混合高斯模型允许同一像素有多个常见背景取值,适合树叶摇晃、水面反光等动态背景。" />描述每个像素的常见取值。当前像素与背景估计相差超过阈值时,就判为前景并写入<TeachingTerm term="前景掩膜" explanation="前景掩膜是一幅二值图,标记当前帧中被判定为运动目标或新出现物体的像素位置。" />。
点击不同像素或拖动当前帧序号,观察该位置的历史灰度序列、背景估计值和当前差分;再切换背景模型,比较前景掩膜中目标残留和背景噪声的变化。
当前帧只提供观测值,是否是前景要看它与长期背景模型的距离。
用前 K 帧平均值近似背景,适合背景稳定且目标偶尔出现的场景。
观察 (48, 42) 在连续帧中的观测值、背景估计和前景判定。
下面使用连续帧小人运动序列讲解背景建模:先建立长期背景,再比较当前帧与背景模型,差异超过判定条件的位置输出为前景。
用前 8 帧估计当前像素的背景均值,再与第 13 帧比较。
对当前位置 (48, 42) 和第 13 帧做统一代入。
当前帧像素:
背景减除差值:
前景判定 D(x,y):
代入:,结果:前景运动目标(D=1)