1. 程式人生 > >區域性尺度不變背景差分

區域性尺度不變背景差分

本文參考文獻(CVPR 2010的文章):Modeling Pixel Process with Scale Invariant Local Patterns for Background Subtraction in Complex Scenes 本文的創新點: (1)提出了一種新的紋理表示方法,scale invariant local ternary pattern(SILTP) (2)在背景建模更新的時候提出一種模式核密度估計的方法(pattern kernel density estimation) 一、尺度不變區域性三元模型(Scale Invariant Local Ternary Pattern)

上圖顯示了LBP、LTP、SILTP的計算過程。對於一個給定位置(),SILTP的編碼公式為:                                                           (1) Ic為中心畫素的灰度值,  Ik  為中心畫素領域內(R為半徑的圓)的其他N個畫素,St為分段函式:                                                            
這樣就完成了畫素的SILTP編碼。。文章提到了SILTP的幾個優點: (1)計算高效,比LBP計算只多了一個比較的步驟。 (2)SILTP運算元對區域性影象的噪聲是魯棒的,特別是陰影區域
(3)對光照變化(illumination changes)及柔性陰影(soft shadow)魯棒 二、區域性模式核密度估計(Kernel Density Estimation of Local Patterns)      核密度估計(Kernel Density Estimation):需要對點樣本分佈的引數形式做事先假設,僅從取樣資料本身就可對概率密度函式 做出較為精確魯棒的估計,為未知分佈樣本的分析和建模提供了一條新的解決思路。
     本文提出一個居於區域性模式的核心估計(pattern kernel density estimation (PKDE) technique),用於描述像LBP、LTP、 SILTP等。
     對於畫素(x0,y0),在時間t內的區域性觀察的畫素處理定義為:                               //F是紋理影象序列       建立一個距離函式d(p,q);p為當前影象,q為背景影象,做異或運算:

                                            d(p,q) = p  xor q

   得到的仍然是一個二進位制的數字,然後使用一個權值函式(local pattern kernel)把這個二進位制的數字

轉化成數值,一般是普通的高斯權值。

定義區域性模型核函式為:    // g為權重函式,可以是典型的高斯函式

所以概率密度函式為:

                                      //(Ci 權重係數)

在實時應用中,還提出了一個線上的 PKDE 版本:

                                   

三、背景建模

     通過 PKDE 演算法對每個畫素處理(pixel process)建立K個密度函式(K density functions),

並賦予對應的權重:;權重歸一化為1. 背景個數的選擇:                                                                        

判斷一個新的Pt 屬於背景的概率:  

                           

然後通過比較與閾值Ts的大小,判斷是背景還是前景

四、背景更新

   將背景模型按概率密度排列,計算當前幀pt與第K個背景的相似度:

                                

     如果找到匹配的模型,則跟更新背景:


       權重的更新為:                  

   如果不存在匹配的模型,則權重最小的模型將被新的權重較小的分佈模型取代: 

                                                 

五、多基於塊的多尺度SILTP運算( Multiscale Block-based SILTP (MB-SILTP) operator)

         MB-SILTP 編碼與SILTP 相似,只是將(1)式中的Ic、  Ik 用塊的均值替換。

背景的概率: