背景建模或前景检測之PBAS

申明，本文非笔者原创，原文转载自：http://blog.csdn.net/kcust/article/details/9931575

  Pixel-Based Adaptive Segmenter（PBAS）检測算法，从思路和框架上看，该算法是结合了SACON和VIBE两个算法的优势，并进行了一些细微的改进而成的，算法在检測性能上优于SACON和VIBE。可能有些朋友对SACON和VIBE不熟，以下首先分别简介下SACON和VIBE算法。

      （1）SACON算法
       SACON算法通过保存视频序列的前N帧作为背景模型，对于newly coming像素，则依据式（1）与背景模型比較：

当中， Tr是一个阈值，用于表示像素值间的差异，c表示通道，对于三通道，则表示(r,g,b)。然后，进一步通过式（2）来推断是前景还是背景：

当中，Tn是阈值，一般取值2/3N*Tr就可以。以上即为SACON算法的基本思想，而对于背景更新等其它细节，能够參考文献：Background subtraction based on a robust consensus method。

        （2）VIBE算法
         採用了一种全新的思想来进行目标的检測，将随机原理引用到目标检測。其基本思想是对于每一个像素，在半径为R的范围内进行随机採样，作为该像素点的背景模型，默认採样点为20。接着，对于新进来的像素，将其值与背景模型比較，假设下式大于或等于#min（默认取值为2）：

则将该像素判为背景像素，否则为前景。

而在背景模型更新方面，VIBE採用随机选取背景模型中的一个像素点，以一定的概率用当前帧的像素值来替换，并将当前帧的像素值以一定的概率融入到背景模型的邻域中。实验表明，VIBE算法不仅计算复杂度低、速度快、并且准确率高，尤其是作者提出VIBE+后，VIBE算法的性能得到了进一步的提高。更具体的内容请參考论文Background Subtraction: Experiments and Improvements for ViBe或http://blog.csdn.net/stellar0/article/details/8777283。

有点跑题，还是回到正题来。为了对PBAS有一个正题的印象，我们来看PBAS算法的diagram，例如以下图所看到的：
                                                                            

         图的左边各自是像素分类的决策阈值更新、背景模型更新率的更新；图的右边是背景模型及背景模型邻域的更新。在背景建模阶段，PBAS算法採用类似SACON算法背景建模的方法，收集前N帧像素以及梯度幅值作为背景模型。新来像素与背景模型比較，比較方法例如以下式：

                                                                                                   

当中Bk(xi)表示背景模型中的像素，R(xi)表示像素阈值，#min表示最小的匹配数目,F(xi)=1表示前景。

以下重点来介绍下R(xi)，这也是本文的一个重点。

         跟传统的全局阈值不一样，在PBAS算法中，每一个像素的阈值都是像素相关的，不同位置的推断阈值可能不一样。PBAS算法通过计算前N帧的前N个距离的最小值的平均值来决定各个像素的阈值。详细来说，就是用D(xi)={ D1(xi),D2(xi),...Dn(xi)}表示最小距离矩阵，当中D(xi)= Min( dist(I(xi),Bj(xi))), j=1,2...N。 则对于每一个像素来说，其N个最小值的平均值为：

相应的推断阈值R(xi)则通过下式来计算：

当中Rinc/dec和Rscale都是预先定义的常量。
        而背景更新部分，对于不同的像素，背景更新率也不同，作者通过下式来自适应调节背景模型的更新率：

当中Tinc和Tdec也是预先定义的常量。

        除了更新率外，论文另一点须要提下，作者在论文中也採用了邻域更新，可是与VIBE不同。在VIBE中，背景模型中邻域的像素值是採用当前像素来更新的；而PBAS算法中，背景模型中的邻域值是採用当前像素的邻域值来更新的。

        通过上面两个像素推断阈值的自适应和背景模型更新的自适应，整个算法基本实现了non-parameter的运动目标检測。在站点http://www.changedetection.net/上，该算法的综合性能排名第三，其性能这里不再细叙，详细的能够參考相关文献。而依据changedetection上提供的測试环境和结果：~48 fps (average on the whole database) with a C++ implementation running in three threads on a core i7 3.5 GHz，在I7（8核啊，算法也採用了多线程技术）上能够达到48fps，个人也測试了下，算法的检測结果比較优秀，并且对缓慢的光照变化具有较强的鲁棒性，环境适应能力也比較强，可是处理速度上还是不太理想，通过优化能够达到16fps左右，当然公司的电脑比較落后，话说是2007年左右的，详细配置没查看。

        整体来说，PBAS算法是一种性能比較优越算法，该算法本身结合了SACON和VIBE算法的优势，兼具两者特性，值得进一步关注。