基于模糊Choquet积分的目标检测算法

           本文根据论文:Fuzzy Integral for Moving Object Detection-FUZZ-IEEE_2008的内容及自己的理解而成,如果想了解更多细节,请参考原文。在背景建模中,我们对于像素的分类总是采用非此即彼的方式来分,即该像素要么是背景要么是前景。然而,由于噪声、光照变化以及阴影等特殊情况导致像素会存在错误,即像素存在一定的不确定性。为了处理这种不确定性,本文提出了基于模型Choquet积分的目标检测算法。

            首先,我们来看看这个算法的基本流程,如下图所示。


从上图可以看到,该算法分成三部分:① 计算颜色和纹理相似性;② 将计算得到的颜色和纹理相似性利用Choquet积分进行融合;③  根据Choquet积分的结果进行前景、背景的分类。下面对算法的这些核心部分进行详细的介绍。

          1)颜色相似计算

            在本文中,作者对多种颜色空间进行了研究与分析,通过实验分析,觉得在RGB、HSV、YCrCb、Ohta等四个颜色空间处理效果较佳。推荐使用YCrCb、HSV和Ohta,因此相对于RGB,这三个空间对光照变化具有更强的鲁棒性。颜色相似性的计算公式如下所示:


其中Ic表示当前帧,而Ib表示背景帧,k表示通道数。

          2)纹理相似性计算

            纹理相似性本文采用了具有原理简单、计算高效快捷、对光照具有一定鲁棒性的LBP特征,LBP特征的计算可以参考我前面的博文(建议采用LBP的变体算子):局部二值模式LBP(Local Binary Pattern)实现代码。而关于LBP纹理特征的相似性计算如下式所示:


         3)Choquet积分

           要了解关于choquet积分的更多内容,可以参考:The Choquet integral for the aggregation of interval scales in multicriteria decision making。而choquet积分的定义如下:


            4)前景背景的分类

             前景背景的分类主要是根据前面choquet积分的结果进行阈值化,但是论文中采用的是全局阈值,这也是论文的一个缺点。 但是从总体上说,本文提出的算法对光照具有很强的鲁棒性、对突然光照的变化不会引起大面积的前景。博主通过实验表明:算法效果还可以,但是由于采用的是全局阈值,所以也会存在所有目标检测中阈值选取中的问题。建议:可以尝试计算各个像素相似性的均值和方差,然后根据像素的特点自适应确定各个像素的阈值。


 

posted @ 2013-09-05 18:33  pangbangb  阅读(2447)  评论(0编辑  收藏  举报