在网上各处看到ViBe算法是个很牛逼的算法，据说还把GMM给PK下去了,所以我就拜读了原文 ViBe: a powerful random technique to estimate the background in video sequences。
ViBe算法是由Olivier Barnich 和 Marc Van Droogenbroeck在2011年提出的一种背景建模方法。该算法采用邻域像素来创建背景模型，通过比对背景模型和当前输入像素值来检测前景，可以细分为三个步骤：
第一步，初始化单帧图像中每个像素点的背景模型。假设每一个像素和其邻域像素的像素值在空域上有相似的分布。基于这种假设，每一个像素模型都可以用其邻域中的像素来表示。为了保证背景模型符合统计学规律，邻域的范围要足够大。当输入第一帧图像时，即t=0时，像素的背景模型
其中，表示空域上相邻的像素值，
表示当前点的像素值。在N次的初始化的过程中，
中的像素点
被选中的可能次数为L=1,2,3,…,N。
第二步，对后续的图像序列进行前景目标分割操作。当t=k时，像素点的背景模型为
，像素值为
。按照下面判断该像素值是否为前景。
这里上标r是随机选的；T是预先设置好的阈值。当满足符合背景#N次时，我们认为像素点
为背景，否则为前景。
第三步，背景模型更新方法。ViBe算法的更新在时间和空间上都具有随机性。
时间上的随机性。在N个背景模型中随机抽取一个，设为图像，图2-1表示了图像
的x位置及其八邻域内的像素。当我们得到新的一帧图像
时，如果图像
中的x位置对应的像素
被判断为背景，则
需要被更新。这个抽取的过程体现了时间上的随机性。
空间上的随机性。在的八邻域中随机抽取一个像素
，用
的来替换掉
，这体现了模型更新空间上的随机性。
以上便是更新的过程，即用来更新
及其八邻域。采用八邻域更新的方法，可以去除由于获取的视频细微抖动（摄像机抖动、目标微动）而产生的重影和误差，让检测目标更加准确。
在一般情况下，背景并不会发生较大的变化，所以每次背景模型更新的个数UpdateNum应该是相近的。因此我们把第一帧背景更新的次数InitNum作为比较值，符合下面公式则对背景模型进行重新初始化，这样可以避免由于大面积的光照变化导致的误判。
视频中的初始帧可能是包含目标的，常规的背景建模算法往往无法快速消除Ghost区域，这对于前景检测是不利的。Vibe算法更新模型时利用了该像素值的空间传播特性，背景模型逐渐向外扩散，这也有利于Ghost区域的更快的识别并且消除。下面以ViBe算法下的交通视频前景检测为例
如图上图所示为ViBe算法下前景检测的效果，红色矩形框表示了出现的比较显著的Ghost区域。在第10帧之前，Ghost区域残留严重，随着模型的不断更新，Ghost区域不断消失在第40帧以后，Ghost区域已经完全消失了。说明了Vibe算法在前景检测和背景模型更新上的优势。
代码地址：http://download.csdn.net/detail/zhuangxiaobin/7360113
转自：https://www.cnblogs.com/ywsoftware/p/4434074.html