45、计算机视觉中的背景减除与关键点检测技术

计算机视觉中的背景减除与关键点检测技术

1. 背景减除方法

背景减除在众多计算机视觉应用中起着关键作用，从工业自动化到安全监控再到机器人技术，都有广泛的应用。下面介绍两种背景减除方法。

1.1 马氏距离与背景减除基础

马氏距离本质上是一种 z - 分数，用于衡量一个点距离高斯分布中心的距离，其单位是该分布的不确定性，并且考虑了任意维度和任意协方差矩阵 σ 的分布复杂性。马氏距离的平方计算公式为：
[r_M^2 = (\vec{x}-\vec{\mu})\Sigma^{-1}(\vec{x}-\vec{\mu})]
计算马氏距离的平方更为自然，所以通常设置阈值时使用 (r_M^2) 而非 (r_M)。

1.2 Zivkovic 方法

Zivkovic 方法与 KB 算法类似，都使用高斯混合模型来建模特定像素的颜色分布。但 Zivkovic 方法的显著区别在于，它不使用固定数量的高斯分量，而是动态调整分量数量，以最佳地解释观察到的分布。不过，分量越多，更新和与模型比较时消耗的计算资源就越多，但模型的保真度可能更高。

该算法与 KB 方法有一些共同参数，同时引入了许多新参数。其中，历史（history，也称为衰减参数）和方差阈值（variance threshold）这两个参数尤为重要。
- 历史（history） ：设置像素颜色的“经验”持续时间，即该像素影响衰减到零所需的时间。默认值为 500 帧，在算法内部，可将其视为指数衰减参数 (\alpha = 1 / 500 = 0.002)，测量值的影响以 ((1 - \alpha)^t) 的形式衰减。