背景提取算法

背景提取算法——幀間差分法、背景差分法、ViBe算法、ViBe+算法

背景提取是在視頻圖像序列中提取出背景，背景就是場(chǎng)景中靜止不動(dòng)的景物。因?yàn)閿z像機(jī)不動(dòng)，因此圖像中的每個(gè)像素點(diǎn)都有一個(gè)對(duì)應(yīng)的背景值，在一段時(shí)間內(nèi)，這個(gè)背景值是比較固定的。背景提取的目標(biāo)就是根據(jù)視頻圖像序列，找出圖像中每一點(diǎn)的背景值。
背景提取有很多算法。針對(duì)靜止攝像機(jī)的幀間差分法、高斯背景差分法、ViBe背景提取算法以及它的改進(jìn)算法ViBe+，還有針對(duì)運(yùn)動(dòng)攝像機(jī)的光流法等。
本文針對(duì)靜止攝像機(jī)的背景提取算法進(jìn)行講解，主要講解幀間差分法、背景差分法，ViBe算法，以及ViBe+算法。
筆者已經(jīng)將本文所有源碼上傳到筆者的GitHub賬號(hào)上，地址如下：
https://github.com/upcAutoLang/BackgroundSplit-OpenCV

一. 幀間差分法

1. 算法原理

幀間差分法是將視頻流中相鄰兩幀或相隔幾幀圖像的兩幅圖像像素值相減，并對(duì)相減后的圖像進(jìn)行閾值化來(lái)提取圖像中的運(yùn)動(dòng)區(qū)域。
若相減兩幀圖像的幀數(shù)分別為第k幀, 第(k+1)幀，其幀圖像分別為fk(x,y),fk+1(x,y)，差分圖像二值化閾值為T，差分圖像用D(x, y)表示，則幀間差分法的公式如下：

幀間差分法的優(yōu)缺點(diǎn)如下：

• 優(yōu)點(diǎn)：算法簡(jiǎn)單，不易受環(huán)境光線影響
• 缺點(diǎn)：
  
  • 不能用于運(yùn)動(dòng)的攝像頭中；
  • 無(wú)法識(shí)別靜止或運(yùn)動(dòng)速度很慢的目標(biāo)；
  • 運(yùn)動(dòng)目標(biāo)表面有大面積灰度值相似區(qū)域的情況下，在做差分時(shí)圖像會(huì)出現(xiàn)孔洞；

2. 算法源碼

筆者已經(jīng)將把源碼上傳到GitHub網(wǎng)站上，地址如下：
https://github.com/upcAutoLang/BackgroundSplit-OpenCV/tree/master/src/FramesDifference

二. 背景差分法

參考網(wǎng)址：
《背景差分法》
《幀間差分法和背景建模法》

1. 算法原理

背景差分法是一種對(duì)靜止場(chǎng)景進(jìn)行運(yùn)動(dòng)分割的通用方法，它將當(dāng)前獲取的圖像幀與背景圖像做差分運(yùn)算，得到目標(biāo)運(yùn)動(dòng)區(qū)域的灰度圖，對(duì)灰度圖進(jìn)行閾值化提取運(yùn)動(dòng)區(qū)域，而且為避免環(huán)境光照變化影響，背景圖像根據(jù)當(dāng)前獲取圖像幀進(jìn)行更新。
根據(jù)前景檢測(cè)，背景維持和后處理方法，存在幾種不同的背景差方法。若設(shè)It,Bt分別為當(dāng)前幀與背景幀圖像，T為前景灰度閾值，則其中一種方法流程如下：

• 取前幾幀圖像的平均值，將其作為初始的背景圖像Bt；
• 當(dāng)前幀圖像與背景圖像作灰度減運(yùn)算，并取絕對(duì)值；公式即為|It(x,y)?Bt(x,y)|；
• 對(duì)當(dāng)前幀的像素(x,y)，若有|It(x,y)?Bt(x,y)|>T，則該像素點(diǎn)為前景點(diǎn)；
• （可選）對(duì)前景像素圖進(jìn)行形態(tài)學(xué)操作（腐蝕、膨脹、開(kāi)閉操作等）
• 用當(dāng)前幀圖像對(duì)背景圖像進(jìn)行更新；

背景差分法的優(yōu)缺點(diǎn)如下：

• 優(yōu)點(diǎn)：
  
  • 算法比較簡(jiǎn)單；
  • 一定程度上克服了環(huán)境光線的影響；
• 缺點(diǎn)：
  
  • 不能用于運(yùn)動(dòng)的攝像頭；
  • 對(duì)背景圖像實(shí)時(shí)更新困難；

2. 算法源碼

筆者已經(jīng)將把源碼上傳到GitHub網(wǎng)站上，地址如下：
https://github.com/upcAutoLang/BackgroundSplit-OpenCV/tree/master/src/GaussBGDifference

三. ViBe背景提取算法

ViBe - a powerful technique for background detection and subtraction in video sequences
——摘自ViBe算法官網(wǎng)

ViBe是一種像素級(jí)視頻背景建模或前景檢測(cè)的算法，效果優(yōu)于所熟知的幾種算法，對(duì)硬件內(nèi)存占用也少。該算法主要不同之處是背景模型的更新策略，隨機(jī)選擇需要替換的像素的樣本，隨機(jī)選擇鄰域像素進(jìn)行更新。在無(wú)法確定像素變化的模型時(shí)，隨機(jī)的更新策略，在一定程度上可以模擬像素變化的不確定性。

參考地址：
《ViBe算法原理和代碼解析 》
《背景建模–Vibe 算法優(yōu)缺點(diǎn)分析》
《第一次總結(jié)報(bào)告——Vibe 》
《運(yùn)動(dòng)檢測(cè)（前景檢測(cè)）之（一）ViBe 》
《VIBE改進(jìn)算法》

參考論文：
《O. Barnich and M. Van Droogenbroeck. ViBe: a powerful random technique to estimate the background in video sequences.》
《O. Barnich and M. Van Droogenbroeck. ViBe: A universal background subtraction algorithm for video sequences.》

算法官網(wǎng)：
http://www.telecom./research/vibe/

1. 一般背景提取算法存在的問(wèn)題

前文提到的幀間差分法、背景差分法中存在若干問(wèn)題如下：

• 對(duì)于環(huán)境變化的適應(yīng)并不友好（如光照的變化造成色度的變化）；
• 相機(jī)抖動(dòng)導(dǎo)致畫面抖動(dòng)
• 物體檢測(cè)中常出現(xiàn)的Ghost區(qū)域；

其中值得一提的是Ghost區(qū)域：Ghost區(qū)域常常出現(xiàn)于幀間差分法，當(dāng)一個(gè)原本靜止的物體開(kāi)始運(yùn)動(dòng)時(shí)，幀間差分法檢測(cè)時(shí)，可能會(huì)將原本該物體覆蓋區(qū)域錯(cuò)誤的檢測(cè)為運(yùn)動(dòng)的，這塊被錯(cuò)誤檢測(cè)到的區(qū)域被稱為Ghost。同樣的，原本正在運(yùn)動(dòng)的物體變成靜止物體時(shí)，也會(huì)出現(xiàn)Ghost區(qū)域。
例如下圖，原圖像中只有三個(gè)正在運(yùn)動(dòng)的人，但由于幀間差分法取得的背景圖中包含這三個(gè)運(yùn)動(dòng)的人的某一幀運(yùn)動(dòng)狀態(tài)，后面的一系列幀序列與背景圖相減，都會(huì)存在背景圖中三個(gè)人所在的位置，這時(shí)候取得的前景會(huì)多出三個(gè)被檢測(cè)區(qū)域，即Ghost區(qū)域。

Ghost區(qū)域在檢測(cè)中，一定要盡快消除。

2. ViBe算法原理

ViBe比較特殊的地方它的思想：它為所有像素點(diǎn)存儲(chǔ)了一個(gè)樣本集，樣本集里面保存的采樣值是該像素點(diǎn)過(guò)去的像素值與其鄰居點(diǎn)的像素值。后面每一幀的新像素值和樣本集里的樣本歷史值進(jìn)行比較，判斷是否屬于背景點(diǎn)。
下面從幾點(diǎn)講解ViBe算法：

(1) 背景、前景模型

模型中，背景就是靜止的，或者移動(dòng)非常緩慢的物體；前景就是相對(duì)于背景的物體，即正在移動(dòng)的物體。所以背景提取算法也可以看成是一個(gè)分類問(wèn)題，遍歷像素點(diǎn)的過(guò)程中，來(lái)確定一個(gè)像素點(diǎn)是屬于前景點(diǎn)，還是屬于背景點(diǎn)。
在ViBe模型中，背景模型為每個(gè)像素點(diǎn)存儲(chǔ)了樣本集，樣本集大小一般為20個(gè)點(diǎn)。對(duì)于采入的新一幀圖像，該幀的某個(gè)像素點(diǎn)與該像素點(diǎn)的樣本集內(nèi)采樣值比較接近時(shí)，就可以判斷其是一個(gè)背景點(diǎn)。
用公式表示，我們可以認(rèn)為：

• v(x,y)：像素點(diǎn)(x, y)處的當(dāng)前像素值；
• M(x,y)={v1(x,y),v2(x,y),...vN(x,y)}：像素點(diǎn)(x, y)的背景樣本集（樣本集大小為N）；
• R：上下取值范圍；

將v(x,y)與M(x,y)中所有樣本值作差，所有差值中，在±R范圍內(nèi)的個(gè)數(shù)為Nb，若Nb大于一個(gè)給定的閾值min，就說(shuō)明當(dāng)前像素值與該點(diǎn)歷史樣本中的多個(gè)值相似，那么就認(rèn)為(x,y)點(diǎn)屬于背景點(diǎn)。

(2) 背景模型初始化

初始化是建立背景模型的過(guò)程，一般的檢測(cè)算法需要一定長(zhǎng)度的視頻序列學(xué)習(xí)完成，影響了檢測(cè)的實(shí)時(shí)性，而且當(dāng)視頻畫面突然變化時(shí)，重新學(xué)習(xí)背景模型需要較長(zhǎng)時(shí)間。
ViBe算法建立背景模型只需要一幀，即使用單幀視頻序列初始化背景模型。將視頻的第一幀作為背景模型的同時(shí)，算法也將該幀中每一個(gè)像素點(diǎn)周圍隨機(jī)取多個(gè)像素點(diǎn)，填充該像素點(diǎn)的樣本集，這樣樣本集中就包含了像素點(diǎn)的時(shí)空分布信息。
用公式表示，我們可以認(rèn)為：

• M0(x,y)：初始背景模型中的像素點(diǎn)(x, y)；
• NG：鄰居點(diǎn)；
• v0(x,y)：初始原圖像中像素點(diǎn)(x, y)的像素值；

于是有：
M0(x)={v0(y|y∈NG(x))},t=0

這種背景模型初始化的優(yōu)缺點(diǎn)如下：

• 優(yōu)點(diǎn)：
  
  • 對(duì)于噪聲的反應(yīng)比較靈敏；
  • 計(jì)算量小速度快；
  • 不僅減少了背景模型建立的過(guò)程，還可以處理背景突然變化的情況，當(dāng)檢測(cè)到背景突然變化明顯時(shí)，只需要舍棄原始的模型，重新利用變化后的首幀圖像建立背景模型。
• 缺點(diǎn)：
  
  • 用于作平均的幾幀初始圖像中可能采用了運(yùn)動(dòng)物體的像素，這種條件下初始化樣本集，容易引入拖影（Ghost）區(qū)域；

初始背景模型建立完畢后，就可以進(jìn)行前景的檢測(cè)和背景模型的更新了。

(3) 前景檢測(cè)

此時(shí)已經(jīng)建立起了背景模型，便可以已經(jīng)建立好的背景模型進(jìn)行前景的檢測(cè)。
遍歷新一幀圖像的所有像素點(diǎn)。用公式表示，則有：

• v(x,y)：新一幀的像素點(diǎn)(x, y)；
• M(x,y)={v1(x,y),v2(x,y),...vN(x,y)}：像素點(diǎn)(x, y)的背景樣本集（樣本集大小為N）；
• D(x,y)={d1(x,y),d2(x,y),...dN(x,y)}：像素點(diǎn)(x, y)當(dāng)前值與樣本集里所有樣本值之差（樣本集大小為N）
  
  • 其中，di=v(x,y)?vi(x,y)；
• R：判斷像素點(diǎn)與歷史樣本值是否相近的閾值；
• T：判斷前景點(diǎn)的閾值；
  
  • 統(tǒng)計(jì)當(dāng)前像素點(diǎn)的值與歷史樣本值之差大于R的個(gè)數(shù)，若個(gè)數(shù)大于T，則判斷該點(diǎn)為前景點(diǎn)；

檢測(cè)前景的流程如下：

• 將某像素點(diǎn)的當(dāng)前像素值v(x,y)，與該像素點(diǎn)的樣本集M(x,y)作差值，即得到D(x,y)。
• 遍歷D(x,y)中的元素di(x,y)，比較它與閾值R的大小；并計(jì)滿足di(x,y)>R的個(gè)數(shù)為Nf；
• 若有Nf>T，則該點(diǎn)為前景點(diǎn)；

檢測(cè)過(guò)程的主要三個(gè)參數(shù)是：樣本集數(shù)目N，閾值R，與閾值T。一般設(shè)置N = 20, R = 20, T = 2；

(4) 背景模型更新策略

即使已經(jīng)建立起了背景模型，也應(yīng)該對(duì)背景模型進(jìn)行不斷的更新，這樣才能使得背景模型能夠適應(yīng)背景的不斷變化（如光照變化，背景物體變更等）。

A. 普通更新策略

對(duì)于其他的背景提取算法，背景模型有兩種不同的更新策略：

• 保守更新策略：前景點(diǎn)永遠(yuǎn)不會(huì)用來(lái)填充模型
  
  • 這樣會(huì)引起死鎖，產(chǎn)生Ghost區(qū)域。比如初始化的時(shí)候如果一塊靜止的區(qū)域被錯(cuò)誤的檢測(cè)為運(yùn)動(dòng)的，那么在這種策略下它永遠(yuǎn)會(huì)被當(dāng)做運(yùn)動(dòng)的物體來(lái)對(duì)待；
• Blind策略：對(duì)死鎖不敏感，前景和背景都可以用來(lái)更新背景模型；
  
  • 這樣的缺點(diǎn)在于，緩慢移動(dòng)的物體會(huì)融入到背景中，無(wú)法檢測(cè)出來(lái)；

B. ViBe算法更新策略

ViBe算法中，使用的更新策略是：保守更新策略 + 前景點(diǎn)計(jì)數(shù)法 + 隨機(jī)子采樣。

• 前景點(diǎn)計(jì)數(shù)法：對(duì)像素點(diǎn)進(jìn)行統(tǒng)計(jì)，如果某個(gè)像素點(diǎn)連續(xù)N次被檢測(cè)為前景，則將其更新為背景點(diǎn)；
• 隨機(jī)子采樣：在每一個(gè)新的視頻幀中都去更新背景模型中的每一個(gè)像素點(diǎn)的樣本值是沒(méi)有必要的，當(dāng)一個(gè)像素點(diǎn)被分類為背景點(diǎn)時(shí)，它有1/φ的概率去更新背景模型。

這就決定了ViBe算法的更新策略的其他屬性：

• 無(wú)記憶更新策略：每次確定需要更新像素點(diǎn)的背景模型時(shí)，以新的像素值隨機(jī)取代該像素點(diǎn)樣本集的一個(gè)樣本值；
• 時(shí)間取樣更新策略：并非每處理一幀數(shù)據(jù)，都需要更新處理，而是按一定的更新率更新背景模型；
  
  • 當(dāng)一個(gè)像素點(diǎn)被判定為背景時(shí)，它有1/φ的概率更新背景模型；
  • φ是時(shí)間采樣因子，一般取值為16；
• 空間鄰域更新策略：針對(duì)需要更新像素點(diǎn)，在該像素點(diǎn)的鄰域中隨機(jī)選擇一個(gè)像素點(diǎn)，以新選擇的像素點(diǎn)更新被選中的背景模型；

C. ViBe算法具體更新的方法：

• 每個(gè)背景點(diǎn)都有1/φ的概率更新該像素點(diǎn)的模型樣本值；
• 有1/φ的概率去更新該像素點(diǎn)鄰居點(diǎn)的模型樣本值；
• 前景點(diǎn)計(jì)數(shù)達(dá)到臨界值時(shí)，將其變?yōu)楸尘埃⒂?/ φ的概率去更新自己的模型樣本值。

更新鄰居的樣本值利用了像素值的空間傳播特性，背景模型逐漸向外擴(kuò)散，這也有利于Ghost區(qū)域的更快的識(shí)別。
在選擇要替換的樣本集中的樣本值時(shí)，我們是隨機(jī)選取一個(gè)樣本值進(jìn)行更新。這樣就可以保證，樣本值的平滑的生命周期的原因是由于是隨機(jī)的更新，這種情況下一個(gè)樣本值在時(shí)刻t不被更新的概率是(N - 1) / N。假設(shè)時(shí)間是連續(xù)的，那么在極小時(shí)間dt過(guò)去后，樣本值仍然保留的概率是：
P(t,t+dt)=(N?1N)(t+dt)?t
也可以寫作：
P(t,t+dt)=e?ln(NN?1)dt
上面的公式表明，樣本值在模型中是否被替換，與時(shí)間t無(wú)關(guān)，即更新策略是合適的。

3. ViBe算法優(yōu)缺點(diǎn)

(1) 優(yōu)點(diǎn)

Vibe背景建模為運(yùn)動(dòng)目標(biāo)檢測(cè)研究領(lǐng)域開(kāi)拓了新思路，是一種新穎、快速及有效的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。優(yōu)點(diǎn)主要有兩點(diǎn)：

• 思想簡(jiǎn)單，易于實(shí)現(xiàn)：
  
  • 初始化背景圖像時(shí)，Vibe算法通常隨機(jī)選取鄰域20個(gè)樣本，作為每個(gè)像素點(diǎn)建立一個(gè)基于樣本的背景模型，具有初始化速度快、內(nèi)存消耗少和占用資源少等優(yōu)點(diǎn)；
  • 隨后，利用一個(gè)二次抽樣因子φ，使有限的樣本基數(shù)能近似表示無(wú)限的時(shí)間窗口，即在較少樣本前提下，保證算法的準(zhǔn)確性；
  • 最后，并采用一種鄰域傳播機(jī)制保證算法的空間一致性。
• 樣本衰減最優(yōu)：
  
  • 有人通過(guò)增加樣本基數(shù)（上至200個(gè)）來(lái)處理復(fù)雜場(chǎng)景，也有人結(jié)合兩個(gè)子模型分別處理快速更新和緩慢更新的情況。其實(shí)，選取被替換樣本更新背景模型，實(shí)質(zhì)上是樣本壽命問(wèn)題。
  • 傳統(tǒng)方式采用先進(jìn)先出的替換策略，而Vibe背景模型中每個(gè)樣本被選中為替換樣本的概率是相等的，與樣本存在時(shí)間的長(zhǎng)短無(wú)關(guān)，這種策略保證背景模型中的樣本壽命呈指數(shù)衰減，模型更新達(dá)到最佳狀態(tài)。
• 運(yùn)算效率高：
  
  • Vibe背景模型是基于少量樣本的背景模型；
  • Vibe算法優(yōu)化了背景模型中的相似度匹配算法；

關(guān)于運(yùn)算效率的比較，《背景建模–Vibe 算法優(yōu)缺點(diǎn)分析》中做了實(shí)驗(yàn)：為了得到最佳樣本數(shù)量N值，分別選取N為5、15、20、25進(jìn)行了實(shí)驗(yàn)對(duì)比：結(jié)果如圖所示：

實(shí)驗(yàn)結(jié)果表明，N取20、25時(shí)，檢測(cè)結(jié)果理想；考慮計(jì)算負(fù)載，N取20最優(yōu)。與混合高斯的3-5個(gè)高斯模型的計(jì)算匹配比較，基于20個(gè)樣本的背景模型計(jì)算具有計(jì)算開(kāi)銷低、檢測(cè)速度快等優(yōu)點(diǎn)。
Vibe的背景模型相似度匹配函數(shù)只與判斷像素點(diǎn)與歷史樣本值是否相近的閾值R，以及判斷前景點(diǎn)的閾值T有關(guān)（具體見(jiàn)本文三.2.(3)）。背景模型中的樣本與待分類像素的歐式距離小于R的個(gè)數(shù)超過(guò)T時(shí)，更新背景模型；而找到T個(gè)匹配樣本時(shí)，便立即判斷該像素為背景像素點(diǎn)，并停止計(jì)算，這樣提高了運(yùn)算效率。

(2) 缺點(diǎn)

ViBe算法自身也存在著局限性。主要有靜止目標(biāo)、陰影前景和運(yùn)動(dòng)目標(biāo)不完整等問(wèn)題。

A. 靜止目標(biāo)

如下圖所示：

圖(a)紅框中的人在等地鐵，從圖(a)到圖(c)經(jīng)過(guò)498幀，長(zhǎng)時(shí)間駐留未運(yùn)動(dòng)，該人物運(yùn)動(dòng)目標(biāo)逐漸被背景吸收。而在本視頻中，將在450幀以上都沒(méi)有明顯位移的運(yùn)動(dòng)目標(biāo)區(qū)域定義成為靜止目標(biāo)區(qū)域。
這樣可以總結(jié)產(chǎn)生靜止目標(biāo)問(wèn)題的原因有兩個(gè)：

• 運(yùn)動(dòng)目標(biāo)從運(yùn)動(dòng)到靜止；
• 運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)速度太過(guò)緩慢：當(dāng)ViBe背景模型更新速度過(guò)快時(shí)，會(huì)將靜止或緩慢運(yùn)動(dòng)目標(biāo)吸收成為背景的一部分；

B. 陰影前景

如下圖所示：

圖(b)和圖(d)分別是用Vibe算法對(duì)人體運(yùn)動(dòng)目標(biāo)(a)和車體運(yùn)動(dòng)目標(biāo)(c)的檢測(cè)結(jié)果。由于光線被人體或車體運(yùn)動(dòng)目標(biāo)所遮擋，投射陰影區(qū)的背景被誤檢為運(yùn)動(dòng)目標(biāo)前景。陰影的存在導(dǎo)致檢測(cè)出來(lái)的運(yùn)動(dòng)目標(biāo)形狀不準(zhǔn)確，影響后續(xù)目標(biāo)分類、跟蹤、識(shí)別和分析等其他智能視頻處理模塊。
產(chǎn)生陰影前景問(wèn)題的根源是：光線被運(yùn)動(dòng)目標(biāo)前景遮擋，投射陰影區(qū)的顏色比背景的顏色暗，即陰影和背景顏色值的距離相差較大，背景差分后被誤檢為運(yùn)動(dòng)目標(biāo)前景。

C. 運(yùn)動(dòng)目標(biāo)不完整問(wèn)題

如下圖所示：

• 圖(a)中的人內(nèi)部出現(xiàn)空洞；
• 圖(b)中的人中間出現(xiàn)斷層；
• 圖(c)中的人上半身出現(xiàn)邊緣殘軀；
• 圖(d)車體的擋風(fēng)玻璃出現(xiàn)空洞；

總結(jié)圖中的結(jié)果，可以將運(yùn)動(dòng)目標(biāo)不完整現(xiàn)象大致分為三類：

• 運(yùn)動(dòng)目標(biāo)內(nèi)部有大量空洞（圖a）；
• 運(yùn)動(dòng)目標(biāo)邊緣殘缺，呈現(xiàn)C字形凹陷（圖d）；
• 運(yùn)動(dòng)目標(biāo)中間有斷層（圖b)；

產(chǎn)生運(yùn)動(dòng)目標(biāo)不完整問(wèn)題的根源主要有兩點(diǎn)：

• ViBe算法自身存在的缺陷；
  
  • 基于統(tǒng)計(jì)學(xué)原理的Vibe樣本模型受限于模型的樣本個(gè)數(shù)，當(dāng)樣本趨于無(wú)窮大時(shí)才能準(zhǔn)確描述場(chǎng)景，這在實(shí)際應(yīng)用中是不可能實(shí)現(xiàn)的；
• 場(chǎng)景或運(yùn)動(dòng)目標(biāo)的復(fù)雜性和多變性；
  
  • 瞬時(shí)的光線突變，背景模型來(lái)不及更新；
  • 前景與背景顏色相近，將前景誤判為背景；
  • 噪聲干擾，出現(xiàn)孤立噪聲點(diǎn)和連通噪聲區(qū)域；

4. ViBe算法源碼

筆者已經(jīng)將把源碼上傳到GitHub網(wǎng)站上，地址如下：
https://github.com/upcAutoLang/BackgroundSplit-OpenCV/tree/master/src/ViBe

5. ViBe的改進(jìn)算法ViBe+

筆者對(duì)ViBe+進(jìn)行了學(xué)習(xí)研究，博客地址如下：
《論文翻譯：ViBe+算法（ViBe算法的改進(jìn)版本）》

筆者已經(jīng)將把源碼上傳到GitHub網(wǎng)站上，地址如下：
https://github.com/upcAutoLang/BackgroundSplit-OpenCV/tree/master/src/ViBe%2B

相關(guān)參考地址：
《ViBe算法原理和代碼解析 》
《VIBE改進(jìn)算法》

參考論文：
《M. Van Droogenbroeck and O. Paquot. Background Subtraction: Experiments and Improvements for ViBe.》