25、迈向鲁棒目标检测：基于时空特征的集成背景建模

迈向鲁棒目标检测：基于时空特征的集成背景建模

在图像目标检测领域，背景减除技术是一种常用的方法。它通过从观测图像中减去背景图像，能在无需目标先验信息的情况下获取目标区域。然而，简单的背景减除方法对光照变化极为敏感，容易将噪声区域误判为目标，这在实际应用中是一个亟待解决的问题。

背景建模方法分类

为应对背景变化，众多背景建模技术应运而生，总体可分为像素级、区域级和帧级三类：
- 像素级建模 ：多数像素级背景建模采用概率框架描述每个像素值的分布。以Elgammal方法为例，它通过Parzen密度估计以非参数形式估计概率密度函数（PDF）。这种方法对周期性的亮度变化（如光照波动、树叶摆动等）效果显著，但难以处理突发的光照变化。
- 区域级建模 ：基于径向可达相关性（RRC）和局部二值模式（LBP）的方法是典型的区域级背景建模方法。这些方法描述像素及其周边像素的大小关系来表示局部纹理信息，通常不受光照变化影响，比像素级建模更具鲁棒性。不过，对于局部亮度变化（如树叶摆动引起的变化）处理效果不佳。
- 帧级建模 ：Fukui等人提出从建模的背景图像估计当前背景图像的方法。该方法假设图像中光照均匀变化，因此无法有效处理非均匀光照变化，且预先获取的背景图像难以应对意外的背景变化。

基本背景建模的改进

为实现更有效的背景建模，对这三种基本建模方法进行了改进：

像素级背景建模

像素级背景建模中，概率建模是最常用的方法，快速准确地估计每个像素值的PDF至关重要。传统的Parzen密度估计虽然有