【1】背景建模下的树木晃动问题分析——结合VIBE算法

1. 树木晃动的像素级现象

根据当前的数据特点，分为两种情况：

• 近距离的灌木丛(<300m)在风吹作用下的晃动
• 柏树等稍远一些的树冠在风吹作用下的晃动

                                                                                                 图1 风吹下的树冠晃动

                                                                                                     图2 近距离灌木丛的晃动

1.1 树木晃动的像素级特点

• 快速运动，帧与帧之间差异大，每帧的晃动方向随机（上下左右）；幅度随机（晃动像素个数）。每帧上下左右晃动的像素个数是随机的。
• 晃动之后，目标的形态也发生了变化。
• 晃动只会在一个局部的领域里发生。
• 晃动的发生频率和周期不一样，没有太多规律。

1.2 当前VIBE算法为什么只能解决一部分的晃动问题

第一排的晃动相对小，第二排的晃动量相对大。

□ 邻域更新的重要性

• 只有157第当前像素更新的某个模型；而170和160都是领域更新来的。
• 但是领域更新只在3*3的范围内，所以能够应对的晃动模式是有限的。
• 如果是在残留问题中（鬼影），领域更新可以在5帧内完成模型的吸收。前景中第二帧就不可见是由于前景计数导致的，前景一直在累计计数，直至被模型吸收。所以这就是邻域更新的快产生的结果。
• 模型需要保持敏感性和精确性，更新快就精确，更新慢就敏感。

2. 下一步的技术方向

• （1）vibe的技术上，在前景中利用晃动特征进行剔除。但是这个特征难以表征和实现
• （2）借鉴PAWCS算法的特点进行改进

2.1 PAWCS算法的原理

首先，它是在SubSense算法的基础上进行的改进。但是基本的模型在SubSense中有详细介绍的。主要特点在以下几个方面：

• （1）特征：LBSP+Color 首先LBSP的相似性阈值是自适应的Tr*ix，实际为ix/9，即[0,255]共28个台阶
• （2）判断当前像素是否属于某个模型：R(x)是要维护的，从R(x)+isUnstable得到Color和LBSP的阈值，其次还有一个综合阈值。
• （3）挨个模型进行判断，然后进行前景和背景的分割，进行分割时要更新T(x),MeanMinDist, MeanRawSegm

图1 总的图

图2 左侧为Tr*ix的自适应阈值，LBSP判断是否相似的，是否为0/1                    右侧为当前像素是否属于某个模型

                                         图3 部分模型变量的说明 

2.1.1 前景背景分割的部分 + 反馈参数控制部分

前景背景分割部分：如果ModelResetCoolDown需要重新更新，则以最快的速度更新某个模型。

2.1.2 闪烁像素的确定

2.1.3 SubSense算法原理

由于PAWCS算法是在SubSense算法上的改进，所以基础的机制在SubSense中有介绍，而在PAWCS算法中没有介绍。

• （1）初始化：参数设置和模型赋予初值，保存第一帧的LBSP+Color的值记录在LastColor和LastLBSP中
• （2）RefreshModel：在3×3的领域里随机采样，填充模型，Color和LBSP的50个值都是3*3的领域里随机采样的。风险就是邻域过度填充初始样本。50个模型能够容纳更多的多样性。

• （3）前景/背景分割：match<#min，前景；match>=#min，背景。

• （4）模型维护：
  • a.前景时，需要模型重置时——当ModelResetCooldown && 1/2频率更新满足，就更新一个背景模型区域。
  • b.背景时，模型更新：随机更新一个背景模型，同时随机更新一个邻域的某一个模型。有些许讲究。
    • 若是动态区域，则5*5选一个更新，同时更新率为T(x)/2，更新加快。否则为3*3和T(x)
  • 同时计算新的：Dmin_LT/ST，计算新的RawSegmRes_ST/LT。

• （5）动态更新内部参数：

 

下一步计划

对图像进行逐帧分析，借鉴其机制。急！