建模
分析与求解：
对于问题1：题目要求在不包含动态背景、摄像头稳定拍摄的监控视频中提取前景信息。
首先需要对前景和背景进行明确的定义：前景是指画面中能够表现出一定的空间关系或者人物关系的目标；背景是指陪体，往往是整个环境的组成部分。由于题目中已知背景信息几乎稳定不变，而帧差法恰恰适用于运动目标和背景的灰度相差较多，并且背景变化很小的视频图像处理。因此，可以采用帧差法对监控视频进行简单却有效的处理，以相邻帧之间像素点灰度值的差值作为判断依据，进行前景目标的提取。I(t)表示第t帧的某个像素点的灰度值，则该像素点的计算如下：
|I(t)-I(t-1)|<T 背景
|I(t)-I(t-1)|>=T 前景
当然，在实现上会有一些优化方法，比如三帧差法等。
此外，这样计算出的前景主要集中在目标的边缘，还需要使用MATLAB中自带的膨胀、腐蚀、填充和滤波等函数进行图像的形态学处理。可以给一个我做的效果图：
效果其实算不上太好，但基本实现了目标。帧差法相关的代码，以及后面还会介绍到的混合高斯模型的代码，都可以使用Github中的开源项目：
https://github.com/underdoeg/ofxBGS
对于问题2：动态背景、摄像头稳定的视频。
主要须要解决的是消除动态背景在前景提取时的影响，这里可以使用混合高斯模型，同样使用的是上面链接给出的代码。
混合高斯模型的核心思想是：背景中的每个像素点在各个帧中的灰度值服从一定的统计分布规律，而任意形状的概率分布均可以使用多个高斯分布去近似拟合。所以，我们可以对任一像素点进行建模：
X表示该像素点灰度值，η为高斯概率密度函数，w属于不同函数的权重，μ和Σ分别是t时刻第n个高斯模型的均值向量和协方差矩阵。
在获得概率分布函数后，可以对新来的像素点进行判断，如果与现有模型的某个分布相匹配，则认为该像素点是背景；否则提取为前景。通过这种方式，可以尽可能消除背景抖动的影响，当然，最后也需要卡尔曼滤波和形态学处理等操作。展示一个结果：
其实可以发现，因为腿后面草的颜色跟裤子太像，还是很难提取完全的。
对于问题3：在摄像头晃动的情况下提取前景目标。
这个问题其实麻烦很多了，摄像头的晃动会导致背景变化剧烈，使用高斯混合模型基本上已经很难做到前景目标有效提取。网上经常说的一个思路是使用光流法，获得每一帧的运动场，通过运动场判断出物体的运动变化，进而提取前景。但我经过实现测试后发现，效果其实跟混合高斯差距真的不大，当然，这有可能是因为官方给的视频实在太抖了。
最后呢，我是想了个比较取巧的办法：一方面仍然使用混合高斯模型进行前景提取；另一方面使用Faster RCNN进行目标框定。框就作为一个噪声消除的依据，然后有效提取出前景目标。
关于Faster RCNN的描述网上已经非常多了，我就不废话了，有兴趣的可以直接看别人的博客，铺天盖地的不怕找不到。我用的代码是Shaoqing Ren在Github上的开源项目：https://github.com/ShaoqingRen/faster_rcnn
最后稍微展示一下我做的效果吧：
对于问题4：多角度视频的前景提取。
这一部分其实最理想的做法是用POM算法，但是一方面是时间问题，一方面代码确实比较复杂，我并没有实现出来，只采用了一个很简化的方法，这里就不献丑了。给出POM的链接，有兴趣的可以研究一下指点指点我：
http://cvlab.epfl.ch/cms/site/cvlab2/lang/en/software/pom/index.php
http://cvlab.epfl.ch/cms/site/cvlab2/lang/en/research/surv/multi-people-tracking
对于问题5：异常事件预测。
这个题我没有在网上找到比较靠谱的算法，就自己简单的设计了一个，代码我写的太丑了，只给大家说下思路好了：基本思想还是使用Faster RCNN，以框的坐标代表人的位置，以帧间框的移动预测人的运动情况，再使用向量相关的一些计算和聚类的算法，预测出群体性事件。这里的关键之处是聚类的方式，还有向量运算后对事件的判断规则。
基本上就这么个思路做下来了这次数模，之前并没有接触过CV，本以为靠着之前泛泛的了解能把前几问迅速解决的，结果惨不忍睹。索性四天里两天没睡，还是做完了，期待能有好的结果。
总结一下经验呢，第一是慎重选题，还是要充分查阅资料再做决定；第二个呢，平时还是多动手实现代码，光看别人的博客看出花也没用。
