SACON(SAmple CONsensus)
SACON(SAmple CONsensus)
在連續影像的移動物件偵測
一個簡單的方法就是建立一個背景模型
然後讓之後新的影像去比對這個背景模型
來得知新的影像中哪些pixel是前景(移動物體) 哪些是背景
以下介紹一個從論文：A consensus-based method for tracking: Modelling background scenario and foreground appearance中
看到的一個背景模型
這個模型的建立方式與MoG比較不同的地方在於不使用平均值跟標準差來記錄背景
而是直接使用N個影像為長度的陣列當做背景
計算是否為背景的公式如下
是用來計算在目前的影像 t 的第m個pixel與跟第 i 個背景的第m個pixel比對
如果差距小於閥值
則為背影(1為背景)
則是用來計數在N個背景有多少個影像判斷影像t的第m個的pixel是背景(就像一個投票機制)
如果大於一個閥值
我們則判別該pixel是背景
建立完背景模型為了對之後的影像一直保有模型的正確性
需要對背景模型持續進行更新
而此模型主要使用兩種方法來更新
1. pixel level
這個方法主要在計算pixel m 到底被分為前景多少次
如果
的值超過一個閥值則將背景更新
例如閥值為5 在將N個背景中的最後5個更新為這5個被分為前景的pixel
2. blob level
(
代表整個移動物體)
第二個方法比較難難理一點
我個人認為這個方法重點不在
而是
一個簡單的例子
假設一個連續影像中有一個人走到一個定點後
只有右手一直在移動
如果只有使用pixel level方法
那過了一段時間後
整個人除了右手以外都會成為背景
但如果多了blob level
因為會判斷整個物體是否會static
所以會將其它部位的
都清除
所以其它部份就不會變成背景
(判斷一個物體是否為static是計算該物體的中心及pixel數的總量)
這個背景模型大概的觀念就如上
一些更詳細的細節就需要自己觀看 A consensus-based method for tracking: Modelling background scenario and foreground appearance
新手發文如有錯誤，煩請指正！