目标检测与转自背景减除
背景减除
对背景建模，然后进行背景减除剩下前景视作所求的目标，也是目标检测的一类方法。背景模型的巨大变化即意味着目标移动。
帧间差分是背景减除中的一个经典算法。Wren等人提出用3D高斯函数对固定背景每个像素的颜色I(x,y)建模，I(x,y) ~ N(μ (x,y), Σ(x,y))。其中 μ (x,y)是均值, Σ(x,y)是协方差。这两个数据通过对连续背景帧的观测学习得到。由于颜色对光照敏感，单个高斯函数建模的模型不适用于户外场景。
多形态混合统计模型的利用是背景建模的一个重大改进。比如混合高斯模型，非参数核密度估计(Elgammal & Davis[2000])，纹理颜色特征融合(Li & Leung[2002])，以及分层模型(Toyama[1999])等，都是其中的重要算法。
将图像表达为离散事件状态也是一种背景减除方法。对有限的不同事件状态分别进行背景建模，根据该模型区分前景和背景。其中的代表算法是隐形马尔科夫过程(HMM)在背景减除中的应用。
特征空间分解方法(Oliver[2000])则是另一种思路，并非建模独立像素点的变化，进行背景减除。其对光照条件变化不敏感。
上述背景减除方法都有一个局限性，即只能处理静态背景下的检测。Monnet[2003], Zhong & Sclaroff[2003]提出了自回归运动平均过程(ARMA), 可对背景的运动模型进行学习和预测。ARMA过程是个时间序列模型，由自回归和时间平均分量组成，其中自回归过程可以描述为其过去值域白噪声的加权和。
总的来说，处理摄像头静止条件下的跟踪问题，大多数时候可选择背景减除来检测特征区域。因为现有的背景减除方法能处理包括光照、噪声、背景周期运动在内的大多数问题，准确检测目标，而且计算方便。但主要限制在于对摄像头运动条件下处理能力有限。
NEXT STEP -- 帧间差分的再梳理，GMM等四种多形态混合模型的大致了解，HMM的阅读，特征空间分解方法和ARMA大致了解
归纳分割方法的知识
