基于色度和亮度的背景建模及阴影去除方法—看到一篇文献的总结

     今天终于把《A Statistical Approach for Real-time Robust Background subtraction and Shadow Detection》阅读完了，看到网上说这种方法速度快、鲁棒性好，还没有编码尝试，先把看到的内容总结一下，之后看一下编码效果。

     这篇文章作者的思想是利用运动目标与背景在色度上会有较大区别，在亮度上区别不大，但光线变化及影子在亮度上变化大，在色度上变化较小，基于这个原因提出了本文的算法。

背景建模方法

    背景是基于一个像素一个像素统计的方法建立的，背景模型中的每一个像素由组成，其中Ei是背景像素的颜色值，si是标准偏差颜色值，ai是亮度变化偏差，bi是色度变化偏差，其中i表示第i个像素。各个值的计算方法如下：

其中是第i个像素的颜色（红色、绿色、蓝色）平均值，通过前N个背景帧算术平均计算得到。

其中是第i个像素色值(红、绿、蓝)通过N个背景帧计算得到的标准差。

当前图像分类

下一步是对当前图像 和背景图像进行比较，对于比较结果作者分为了四类：

Original background(B)：当前图像像素的色度和亮度与背景相近；

Shaded background(S)：色度相近，亮度比背景低；

Highligted background(H)：色度相近，亮度比背景高；

Moving foreground object(F)：色度与背景相差大；

对其进行归一化处理。

其中是背景图像与当前图像在色度和亮度上是否相似的阈值，后面将讨论获取该阈值的方法。

然而在当前帧运动目标有的时候RGB的值非常低，这样运动目标将会被误判为背影，为了避免这个问题，作者介绍了一个较低的亮度归一化偏差值，则上式变为

作者采用0.4

阈值自动选择

由于色度和亮度的变量不符合斯高斯分布，因此，作者利用统计学习的方法来实现。分别计算亮度和色度的归一化直方图，直方图通过背景学习的周期来建立，整个直方图的大小为NXY(图像尺度为X*Y,N帧背景建模图像),根据期望的侦查速率r来选择阈值，色度阈值是在观测速率r处的归一化的色度偏差值。是在观测速率r处的值，是在观测速率为（1-r）处的值。

Clustering detection elimination

在当前帧图像中有的时候，图像的像素色值很低，也就是bi的值很小，这样就导致的值太大，很可能超过了阈值。因此，我们提出了一种限制bi值称为缺省最小bi。比缺省最小bi的bi用缺省最小bi来代替。（作者缺省最小bi是0.55）

提速方法

作者采用了以下几种方法来进行提速：

在运行时间减少操作数量：可以计算一些常量参数在背景建模学习时储存起来，例如下面这些参数可以先计算出来

全局S替代局部si：可以计算整幅图像的平均方差S替代每个像素的色度均值，

Screening Test

作者通过当前图像与背景图像像素进行比较，当比较结果超过阈值的时候像素值才送入色度和亮度的更新公式中。

当前帧像素与背景像素进行比较，T为阈值T的选择方法一般是经验，作者的建议是构建一个的直方图，最大的值作为阈值。

   第一次写博客，写的有点乱，如有错误请指出，望多多交流。