- 文章地址：https://www.sciencedirect.com/science/article/pii/S0167865515003177
- 项目地址：http://www.lcc.uma.es/~ezeqlr/nonpan/nonpan.html
- 基于特征和随机逼近的方法
- 总结来看，依赖特征选择，鲁棒性低，效果差，速度未知。
方法
混合模型
给定特征空间
任意给定位置的特征值
分布
使用高斯分布模型，因为简单的高斯模型加上一个完整的协方差矩阵足以满足对大多数的背景的表达，同时加快了算法的速度。
使用均匀分布，文章中说均匀分布用于对任何遇到的目标前景进行建模，有同样的好效果。
特征选择
文章沿用之前的工作，总共有24种特征
- 归一到区间
的rgb特征，3种
- 正则化的rgb通道，3种
- 类Haar特征，9*9的邻域，共6种特征
- 梯度特征，用Sobel运算子得到，共2种特征
- 颜色纹理特征，2种
- 鲁棒的特征，对1-6种特征进行5*5邻域的中值滤波，共6种
- 边缘特征和中心点特征，共2种
相机运动补偿
使用单应性变换矩阵进行映射
协方差矩阵不能用插值方式进行计算，这估计不可靠。
解决的方法是线性插值计算相关矩阵
扫描二维码关注公众号，回复：
4329811 查看本文章
背景推断
对概率模型阈值判断
实验
乱七八糟的选了不同数据集上的一两个视频序列
包括CDnet2014、FBMS等