前面两篇博文介绍了以像素值为特征的背景建模方法:以像素值为特征的方法(2)和以像素值为特征的方法(1)

下面介绍一下以纹理为特征的方法,比较出名的就是用LBP和SILTP为特征做的。
以LBP为特征的文章:A texture-based method for modeling the background and detecting moving objects
这篇文章发表在06年TPAMI上面,还是奥鲁大学那帮人做的,他们已经把LBP用到极致了,LBP在计算机视觉的各个领域都得到了应用。
首先进行LBP的计算:

公式为:

特征表示完之后就是建立背景模型,为K个。模型的更新公式为:
而比较两个直方图的相似程度则用直方图交集(histogram intersaction).
文章实验做得比较充分,但是比较试验很少只跟混合高斯模型(GMM)进行比较了.
另一篇比较好的以纹理为特征的背景建模的方法是CVPR2010的文章,题目:
Modeling Pixel Process with Scale Invariant Local Patterns for Background Subtraction in Complex Scenes
本文提出了一种新的纹理表示方法,scale invariant local ternary pattern(SILTP)
其次就是在背景建模更新的时候提出一种模式核密度估计的方法(pattern kernel density estimation)
文章的对比试验也很全,用三种方法在九段视频上进行了试验。

背景建模(四)——以纹理为特征的方法相关推荐

  1. 专利解析|多维建模结合AI识别商品特征的方法

    企业采购数字化转型的背景 国家"十四五"规划纲要提出要推进产业数字化转型,在供给侧结构性改革大背景下,国家出台了<企业数字化采购实施指南>,大大促进了企业采购电商化的发 ...

  2. 背景建模(一) Evaluation of Background Subtraction Techniques

    转自http://blog.sina.com.cn/s/blog_78fd98af0101h9bf.html 以前做过一些关于背景建模,运动目标检测的工作,打算进行一下小结,那么就先从这篇CVPR20 ...

  3. 背景建模方法论文总结

    文章名称:Real-tine tracking of the human body 年份:1997 作者:Christopher Richard Wren 算法名称:单高斯背景建模 简单描述: 将每个 ...

  4. 【背景建模】基于时空特征(续2)

    参考文献 基于自适应混合高斯模型的时空背景建模 自动化学报 2009 创新点: 1).在混合高斯模型基础上,混合了空间分布信息特征. 2).空间模型和时间模型进行前景检测时,如何决策. 文中主要是利用 ...

  5. 【图像处理基础知识】-混合高斯背景建模

    0.高斯模糊原理 转载地址:https://www.cnblogs.com/herenzhiming/articles/5276106.html --------------------------- ...

  6. 高斯背景建模 matlab,高斯背景建模整理 – 要饭的

    OpenCV 中高斯背景建模相关论文 BackgroundSubtractorMOG: Paper : An Improved Adaptive Background Mixture Model fo ...

  7. opencv进阶-背景建模-(帧差法与混合高斯模型)

    背景减除(Background Subtraction)是许多基于计算机视觉的任务中的主要预处理步骤.如果我们有完整的静止的背景帧,那么我们可以通过帧差法来计算像素差从而获取到前景对象.但是在大多数情 ...

  8. OpenCV4中有哪些视频背景/前景分割(背景建模/前景提取)算法的类,它们各自的算法原理、特点是什么,并附示例代码

    关于OpenCV4中有哪些视频背景/前景分割(背景建模/前景提取)算法的类,汇总如下: 上面的汇总不仅显示了OpenCV4中有哪些视频背景/前景分割(背景建模/前景提取)算法的类,还显示了它们的继承. ...

  9. 背景建模--Vibe 算法改进

    背景建模--Vibe 算法改进 一.概述 针对鬼影问题,提出一种了基于前景区域与邻域背景区域直方图相似性度量的判别方法,检测并消除鬼影:针对静止目标问题,改进了Vibe背景模型的更新策略,有效抑制静止 ...

最新文章

  1. Docker 底层原理浅析
  2. php mysql emoji表情_php 让MySQL支持Emoji表情 mysql 5.5.3+
  3. 维护局域网,让更给力,教你如何去维护局域网
  4. c语言switch自动贩卖机,JAVA程式-自动贩卖机SWITCHCASE.doc
  5. 字符串多模式精确匹配(脏字/敏感词汇搜索算法)——TTMP算法 之理论(转)...
  6. 文件共享服务器imac,iMac怎么在网络上共享设备windows文件夹和服务 | MOS86
  7. 虚实结合:无需人工标注的可泛化行人再辨识
  8. QTCreator快捷键
  9. 项目调研的误区和关键点
  10. 自由落体运动c语言编程_欧姆龙NX PLC 轴运动功能块,ST和梯形图双语言
  11. python大列表_Python列表操作大全(非常全)
  12. CSS做3D旋转魔方(立方体)
  13. MQTT5.0新特性(比对3.1.1)
  14. 关于在ARM中的函数调用问题
  15. NoSQL数据库之Redis(三):常用五大数据类型
  16. 【已解决】【高速版】如何显示(扫描)局域网中所有的在线主机IP及MAC地址?
  17. 音视频FLV合成实战
  18. 个人通讯录系统——数据库课程设计
  19. 栅格数据的三种存储格式--BSQ、BIL、BIP
  20. 大球吃小球html5,怎么用html5制作简单的大球吃小球的游戏

热门文章

  1. 使用PowerDesigne对Mysql进行反向工程
  2. MUI框架之移动端前端开发对dialog与button轮播的深入运用与实战
  3. ArcGIS二次开发基础教程(09):叠加分析
  4. 输入法不见了怎么办教程
  5. android 图片显示崩溃
  6. TH2827A/TH2827B/TH2827C高频LCR数字电桥测试仪技术参数
  7. SQL数据库开发笔记
  8. DC/OS关键技术与应用场景
  9. IT 治理、控制、审计关系
  10. 图像处理46-分水岭算法