《表1 不同算法的性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《复杂背景下的视频前景目标提取算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

式中，XTP为检测结果中正确的前景像素点个数，XTN为检测结果中正确的背景像素点个数，XFP为检测结果中原本是背景像素点而被误检为前景像素点的个数，XFN为检测结果中原本是前景像素点但被误检为背景像素点的个数。其中精度XPrecision、召回率XRecall和综合指标XFM越大，表示算法性能越好；漏检率XFNR和错分率XPWC越小，表示图像中每个像素点根据该算法所贴的标签越吻合实际所属的类别。上述五种算法总体性能结果如表1所示，可以发现，本算法相比GMM算法、ViBe算法和文献[7]和文献[8]改进的ViBe算法，精度分别提高了20.81%、14.57%、5.70%、1.09%；召回率分别提高了19.12%、10.89%、6.10%、2.05%；漏检率分别降低了52.06%、43.50%、16.56%、7.75%；错分率分别降低了47.95%、43.16%、28.80%、0.38%；综合评价指标FM分别提高了25.82%、21.51%、4.83%、2.49%。这表明本算法在处理动态背景的视频序列中处理效果要优于其他四种算法。