《表1 常用目标检测算法比较》

  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

《基于可见光图像的工业过程气体泄漏检测研究》

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

背景差分法使用背景模型与实际帧进行比较，解决了帧间差分法的不足，并在运动分割中取得了良好的结果。然而，在亮度变化或存在开始或结束运动物体的场景下需更新背景。最简单处理方式就是通过t-1时刻的背景像素和t时刻的图像像素的组合来更新背景，更新所需的权重依据背景像素权重轻，前景像素权重重的规则进行。Wren等提出了PFinder算法[15]，假设场景的动态性低于检测对象且背景服从单个高斯分布。虽然PFinder算法可处理背景中微小或渐变的变化，但当背景场景发生突变或者服从多模式分布时它会失效。W4模型[17]可以克服光照强度的微小变化和背景的轻微抖动，但是背景模型一旦建立则无法更新，在长时间的监控系统中误差会累积。高斯混合模型（MOG）[17]在背景服从多模态分布（如挥动树木、海浪、光反射等）及有微小变化的背景（如渐变光等）中的适应能力较强，是动态背景建模中经常使用的方法。Friedman等通过使用3个正态分布的混合来模拟像素的强度值，并将所提出的方法应用于交通监控应用。MOG算法的缺点在于其强烈的假设，即背景比前景更频繁可见，并且其方差明显更低，不适用于每个时间窗口。此外，如果背景中存在高频和低频变化，则其灵敏度无法准确调整。在码本算法[13]中，每个像素由码本表示，码本是用于更新长图像序列的压缩形式的背景模型。改进的码本包含每个像素的空间和时间背景，码本能够在一些重复性变化较高的场景下表现出较好的检测精度，但是容易受到无规则性运动的影响。Vibe算法[1]的大致思想如下:从视频第1帧中每个像素的周边像素点中随机收集若干个像素点作为样本，来实现背景模型的初始化。因此，背景模型无需多帧训练，从第2帧开始就可以检测运动目标，与背景差分衍生出的多种算法对比可知，就目标检测速度而言，Vibe算法是背景差分算法中表现最突出的[17]。常见的目标检测算法特点对比如表1所示。