簡易背景更新模型

摘要

背景差方法實現運動物體檢測面臨的挑戰主要有：必須適應環境的變化（比如光照的變化造成圖像色度的變化）；圖像中密集出現的物體（比如樹葉或樹幹等密集出現的物體，要正確的檢測出來）；必須能夠正確的檢測出背景物體的改變（比如新停下的車必須及時的歸為背景物體，而有靜止開始移動的物體也需要及時的檢測出來）。

本文提出一個簡易背景更新模型演算法，此演算法使用區塊性的背景相減、幀差和前後景的各別更新來完成良好的前景切割，擁有高度的環境的變化之適應性，並且對於Ghost的殘留也有一定程度的快速修正。相較於目前主流使用的MoG和MoG2來說，也不需要一段初始化的時間，且內存需求量非常低，並且擁有極快速的處理速度，詳細比較請參考Table 1。

演算法

簡易背景更新模型(SABM)來自於我們自己所開發的演算法，主要考量到高斯混合模型(MoG)所具有著高複雜度與不易於修改的問題。MoG的高複雜度在嵌入式系統中會造成極大的運算負擔，相較於我們所開發的SABM來說，速率上提升了數倍的處理速度，並且擁有更良好前後景精準度，而且MoG的不易於修改對我們後續的演算法開發是很大的問題，所謂的背景更新在MoG中，是漸進式的處理，當我們對於物件需要長時間停止來辨識行為控制時，無法區塊性去終止GMM的背景更新，也就是說ㄧ但物件停止時間超過一個門檻時間，即會成為背景，這點在SABM中，是可以區塊性的停止背景更新模式，當物件要進行長時間停止的控制時，系統將會對該物件的區塊進行鎖定，停止更新機制，讓操控者不會被混為背景，達到長時間的控制效果。

圖 1. SABM架構流程圖

Table 1. 前景切割比較結果

Demo

PETS2006 1 to 4	PETS2006 3 occlusion
PETS2009