摘要：
基本思路：1).提取图像的纹理特征，建立背景模型;2).对当前帧提取纹理特征，与背景模型的纹理特征进行匹配计算，若匹配，则表示该像素点是背景，否则为前景；3).根据匹配结果，更新对应背景模型的纹理特征．主要存在如下问题：提取什么纹理特征，如何用纹理特征表述背景模型，如何衡量是否匹配，以及如何更新．参考文献 Dynamic Background Modeling and Subtraction Using Spatio-Temporal Local Binary Patterns ICIP 20081).提取的纹理特征是STLBP.2).将图像分块，计算每块的STLBP直方图，对每个图像块有k个 阅读全文
摘要：
参考文献 Dynamic Texture Recognition Using Volume Local Binary Patterns Workshopon Dynamical Vision 2007VLBP volume local binary patternsVLBP与STLBP相比，不同之处在于它同时考虑前p帧图像和后p帧图像的LBP特征．因而，提取VLBP特征是需要事先获取当前图像序列的前后图像序列．文献中，还进一步说明了，如何将VLBP特征转换为Rotation Invariant VLBP．若具体应用需要Rotation Invariant VLBP，其转换过程请参考原文． 阅读全文
摘要：
参考文献 Dynamic Background Modeling and Subtraction Using Spatio-Temporal Local Binary Patterns ICIP 2008STLBP spatio-temporal local binary patterns文献中提出STLBP的目的是为了将空间上的纹理信息和时间上的运动信息结合，便于建立更准确的背景模型．其思想是将当前帧中像素点的LBP和前一帧中对应像素点的LBP，按一定权值结合起来．权值大小的来衡量，前一帧图像对后一帧图像的影响．A small value is sufficientfor scenes wh 阅读全文
摘要：
参考文献 Background Subtraction Based on a Combination of Texture,Color and Intensity ICSP 2008文献在LBP的基础上，提出了DLBP特征 Double Local Binary Pattern.LBP的缺点：1).It cannot differeniate between ascending and homogeneous.无法区分邻域像素点与中心像素点相等，或者邻域像素点大于中心像素点两种情况，因此，这两种情况所得都是s(u) = 1．2).It is sensitive to noise due its 阅读全文
摘要：
纹理是物体表面的固有特征之一，可认为是灰度(颜色)在空间以一定的形式变化而产生的图案(模式)．LBP(LocalBinaryPattern,局部二值模式)是一种用来描述图像局部纹理特征的算子；它的作用是进行特征提取，提取图像的局部纹理特征．原始的LBP算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0．3*3领域内的8个点可产生8bit的无符号数，即得到该窗口的LBP值，并用这个值来反映该区域的纹理信息．如下图所示，r = 3,p = 8.计算公式如下：gc为中心像素点，gp为邻域像素点．LB 阅读全文
摘要：
参考文献 Improved Adaptive Gaussian Mixture Model for Background Subtraction ICPR 2004创新点：自适应调整K的大小，而不是固定的3~5.实际场景中，不同的区域背景的状态个数通常是不一样的，随着场景的变化，同一个区域的状态个数也会经常改变．在每帧中对所有像素的高斯模型都保持相同固定不变的高斯模型个数，会造成系统运算资源的浪费．因此，需要根据场景自适应选择每个像素高斯模型的个数．上面提到的参考文献利用最大似然估计提出了一种高斯模型个数的选择方法，引入了负的先验系数，当权值小于阈值时，减少高斯模型个数．具体原理请看原文．权值 阅读全文
摘要：
参考文献 Adaptive Background Mixture Models for Real-Time Tracking CVPR 1999假设前提像素点在时间轴上呈现高斯模型的概率模型混合高斯模型使用3~5个高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型．用当前图像中的每个像素点与混合高斯模型匹配，如果成功则判定该点为背景点，否则为前景点．混合高斯模型根据不同的匹配情况，选择相应的更新策略．主要有两个学习因子，用于均值和方差更新学习．改进方法：1)采取不同的学习机制，更新方差和均值；2)根据背景的复杂情况自适应调整K的大小，从而减少计算的复杂度;3)选择其他特征 阅读全文