项目理念 |使用背景减法技术进行运动检测

基于视频流的前景检测是计算机视觉应用的第一步，包括实时跟踪和事件分析。许多图像和视频语义分析领域的研究人员关注与前景检测密切相关的住宅区、路口、商场、地铁和机场的智能视频监控。
背景建模是获取前景对象的一种有效方法。尽管前景检测的背景建模方法已经研究了几十年，但每种方法在从视频流中检测感兴趣的对象方面都有自己的优势和劣势。
其中一些对于 BS 非常重要，而在其他基准测试中并不常见。我提出了 BGS 方法（自适应 BG 学习、ZivkovicGMM、模糊积分）与各种方法的比较。

特征：

可以使用合适的 BGS 方法有效地消除帧序列中的噪声。
如果 alpha 和阈值是固定的，则可以有效地检测前景。
可以通过减去动态背景等问题来检测不同挑战中的运动。

BG建模步骤：

背景初始化：建立背景模型的首要目标是固定帧数。该模型可以通过多种方式（高斯、模糊等）设计。
前景检测：在接下来的帧中，对当前帧和背景模型进行比较。这种减法导致计算场景的前景。
背景维护：在此检测过程中，还分析图像以更新在初始化步骤中学习的背景模型，相对于学习率。例如，长时间不移动的对象应该集成到背景中。

BG 减法分步法

自适应 BG 学习：通过一种简单的方式，这可以通过手动设置代表背景的静态图像来完成，并且没有移动对象
- 对于每个视频帧，计算当前帧和静态图像之间的绝对差。
- 如果绝对差值超过阈值，则将帧视为背景，否则视为前景。
高斯混合模型（GMM）：为了对具有动态纹理的背景（如水面上的波浪或被风摇晃的树木）进行建模，对每个具有 K 高斯分布混合的像素进行建模。
- 对于每个视频帧，求当前帧在时间 t 的输入像素值 x 作为背景像素的概率由以下高斯混合表示
  $P(x_i)=\sum_{i=1}^{k}\omega _{i,t}.\eta \left ( x_{t},U_{i,t}\sum_{i,t} \right )$
- 根据现有的 K 高斯分布检查一个新像素，直到找到匹配项。
- 如果 K 个分布中没有一个与当前像素值匹配，则替换最不可能的分布
  以当前值作为其平均值的分布。
- 如果像素值与背景模型分布不匹配，它们将被标记为“运动中”，否则为背景像素。
Fuzzy Integral: : 背景初始化是通过使用对象存在的前 N 个视频帧的平均值来进行的。背景图像的更新规则对于系统随着时间的推移很好地适应某些环境变化是必要的。为此，采用如下的选择性维护方案：
$\begin{align*} B_{t+1}(x,y) &=(1-\alpha )B_t(x,y)+\alpha T_{t+1}(x,y) \\ , &if (x,y) is Background \\ B_{t+1}(x,y)&= (1-\beta )B_t(x,y)+\beta T_{t+1}(x,y) \\ &, if (x,y) is Background \end{align*}$
模糊积分非线性地聚合了所有标准的结果。
- 位置（x，y）处的像素如果其 Choquet 积分值小于某个常数阈值，则认为该像素为前景，这意味着背景中相同位置的像素与当前图像不相似。
- 这是一个常数值，取决于每个视频数据集。

所需的软件和硬件：

图书馆：OpenCV
语言：C++
环境：Visual Studio
硬件：2.67 GHz Core i5 4 GB RAM

图表

这表明我们的前景检测方法是如何在不同的挑战中执行的。

结果

结论

在这项工作中，我们提出了几种前景检测所需的背景减除方法。
这些对于计算机视觉中使用的几种技术是必要的。
尽管每种测试方法都有不同的优缺点，但我们发现 AGMM 和模糊积分是最有前途的方法。
这些将有助于理解和开发考虑参数的前景检测新算法。

项目链接

https://saanjk@bitbucket.org/saanjk/bgs-methods-for-motion-detection.git

视频

研究

由于外观多变，检测运动中的前景物体是一项具有挑战性的任务。
这是一个蓬勃发展的研究课题，仍在进行大规模人群的监视
在实时应用中。
研究领域包括图像处理、人工智能和机器学习。

https://hal.archives-ouvertes.fr/hal-00333086/document
http://ieeexplore.ieee.org/document/7565562/
http://vc.cs.nthu.edu.tw/home/paper/codfiles/whtung/200603141526/Improved_Adaptive_Gaussian_Mixture_Model_for_Background.PDF

应用：

视频监控系统包括住宅区、路口、商场、地铁和机场。