4、动态场景分析的贝叶斯模型：视频序列中的前景提取

动态场景分析的贝叶斯模型：视频序列中的前景提取

1. 前提假设

在进行视频序列中的前景提取时，我们基于以下几个假设：
- 相机处于静态状态，没有明显的自身运动。
- 场景中存在静态的背景物体，例如背景中没有流动的河流。
- 关于外部照明，假设场景中只有一个占主导地位的发光光源，但考虑存在其他反射或漫射光成分。

2. 基于MRF的前景提取模型

前景提取的分割模型采用基于马尔可夫随机场（MRF）的贝叶斯图像标记方法。
- 像素网格与节点 ：用 (S) 表示二维像素网格，在晶格上使用一阶邻域系统。MRF图 (G) 的每个唯一节点对应一个像素，在本文中，(s) 既表示图像的一个像素，也表示 (G) 中对应的节点。
- 标签分配 ：为每个像素 (s \in S) 分配一个标签 (\varsigma(s))，标签集 (\Omega = {fg, bg, sh}) 分别对应前景（(fg)）、背景（(bg)）和阴影（(sh)）三个类别。视频帧的分割相当于一个全局标记 (\varpi = {[s, \varsigma(s)] | s \in S})，给定标记 (\varpi \in \Upsilon) 在标签场中的概率遵循吉布斯分布。
- 特征向量 ：像素 (s) 处的图像数据（观测值）由一个四维特征向量 (f(s) = [f_L(s), f_u(s), f_v(s), f_{\chi}(s)]^T) 表征。前三个坐标表示CIE (L^ u^ v^ ) 空间中的颜色分量，(f_{\chi}(