Background Segmentation算法之Vibe

vibe是一种像素级的前景检测算法，实时性高，内存占有率低，前景检测准确率高。只需要一帧就可以完成初始化。

一种背景提取算法至少要考虑三方面问题：

1. 模型是什么，它如何工作的
2. 模型如何初始化
3. 模型如何随时间进行更新

下面从上述三点对Vibe算法进行描述：

模型是什么，它又是如何工作的

将背景提取看成是分类问题，根据所选颜色空间中的邻域对新像素值进行分类。

对每个像素建模，如图中像素$\upsilon \left ( x \right )$υ(x),它的样本模型就是 $M\left ( x\right )=\left \{\upsilon _{1},\upsilon _{2},...,\upsilon _{n}\right \}$M(x)={υ1​,υ2​,...,υn​}.通过比较在半径为R的圆内，存在多少个它对应的样本像素点个数。

当圆内样本点个数达到预设的阈值（文章中设置为2）时，则可以判断新像素点为背景。

模型初始化

从一张图像进行初始化，克服了突然光照带来的影响。(环境发生改变，之前的背景模型可以丢弃，立刻开始新的模型初始化)

利用这个信息 neighboring pixels share a similar temporal distribution ,l利用用每个像素的空间邻域中的值填充像素模型。如下图：

可以对每个像素领域进行N次采用，获取设定的大小为N的初始化的样本值。
这种方式也存在缺点： he presence of a moving object in the first frame will introduce an artifact commonly called a ghost . 就是说，如果初始化帧存在移动物体（前景），后续的分割将存在"鬼影”。
the ghost is caused by the unfortunate initialization of pixel models with samples coming from the moving object

模型更新

参考：

1. https://blog.csdn.net/zhangping1987/article/details/51860654?depth_1- utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task
2. ViBe: A universal background subtraction algorithm for video sequences