Лекция 4: Отслеживание движения и алгоритмы сопровождения ключевых точек

На основании такого правила формируется двумерная маска.

Чтобы обработать следующий кадр, необходимо обновить параметры распределений: математическое ожидание и среднеквадратичное отклонение . В зависимости от того, нашлось ли соответствующее распределение для цвета текущего пикселя, обновление выполняется по-разному.

1. Соответствие обнаружено. Тогда весовые коэффициенты, составляющие смесь Гауссовых распределений, которым соответствует и параметры распределений пересчитываются согласно формулам (4.14) – (4.16).

   ( 4.14)

   ( 4.15)

   ( 4.16)

   где – заданная константа, . Для всех распределений, которым не соответствует, параметры не изменяются, только пересчитываются коэффициенты согласно (4.17).

   ( 4.17)

2. Соответствие не найдено. В данном случае крайнее (в смысле введенного отношения порядка) распределение Гаусса замещается распределением с новыми параметрами. Математическое ожидание выбирается равным текущему значению цвета пикселя дисперсия максимально возможной, а вес минимально допустимым.

В завершении отметим, что количество распределений определяется сложностью фона и имеющимися вычислительными мощностями (в [2] предлагается использовать значение в пределах от 3 до 5). Начальная инициализация параметров распределений может выполняться с использованием метода k-средних [2], либо EM-алгоритма (Expectation Maximization) [4, 32].

На рис.4.1 показан пример применения метода вычитания фона с представлением модели фона смесью Гауссовых распределений.

Рис. 4.1. Пример применения метода вычитания фона с использованием метода представления фона смесью Гауссовых распределений

Метод представления модели фона смесью Гауссовых распределений^{2Результат получен с помощью реализации BackgroundSubtractorMOG2 библиотеки OpenCV.} обладает рядом недостатков. Во-первых, метод не приспособлен к резким изменениям освещения, что является естественным для некоторых видео. Во-вторых, начальная инициализация параметров распределений является достаточно трудоемкой процедурой. Относительно большое количество параметров требует организации подбора наиболее оптимальных значений для конкретных данных.

Метод извлечения визуального фона (Visual Background Extractor , ViBe) [12]. В соответствии с данным методом модель фона на кадре с номером представляется набором множеств для всех пикселей где – интенсивность/цвет пикселя (в общем случае вектор).

Для классификации пикселя в цветовом пространстве строится сфера радиуса R и определяется количество векторов множества которые попадают вовнутрь построенной сферы, . Если , где – фиксированное пороговое значение, то принимается, что пиксель принадлежит фону, в противном случае, объекту.

На начальном этапе необходимо выполнить инициализацию множеств для всех пикселей следующим образом:

( 4.18)

где – окрестность пикселя размера 3x3 (9 клеток, включая текущий пиксель), y выбирается раз случайным образом. Обновление модели фона для кадра выполняется в два шага:

1. Если p проклассифицирован как пиксель фона, то из множества случайно выбирается компонента, которая заменяется значением .
2. Случайным образом выбирается один соседний пиксель из окрестности , для которого выполняется предыдущий шаг.

Множество методов построения моделей фона не ограничивается набором методов, представленных в этом разделе. В данном направлении ведутся активные исследования до настоящего момента. Поэтому здесь представлены лишь принципиально разные подходы к решению задачи построения фоновых моделей.