[论文解读] Improvements and Experiments of a Compact Statistical Background Model

Dong Liang, Shun’ichi Kaneko|arXiv (Cornell University)|May 24, 2014

Video Surveillance and Tracking Methods参考文献 18被引用 12

一句话总结

本文提出了一种基于共现像素对的改进在线背景模型，通过目标像素与其空间相关支持像素之间强度偏差的单高斯建模实现。通过整合多通道颜色建模、在线参数更新以及时间强度约束，该方法在突发光照变化和动态背景条件下表现出鲁棒性能，在CDW-2014基准测试中F-Measure和Recall排名第二，处理速度达到20 fps。

ABSTRACT

Change detection plays an important role in most video-based applications. The first stage is to build appropriate background model, which is now becoming increasingly complex as more sophisticated statistical approaches are introduced to cover challenging situations and provide reliable detection. This paper reports a simple and intuitive statistical model based on deeper learning spatial correlation among pixels: For each observed pixel, we select a group of supporting pixels with high correlation, and then use a single Gaussian to model the intensity deviations between the observed pixel and the supporting ones. In addition, a multi-channel model updating is integrated on-line and a temporal intensity constraint for each pixel is defined. Although this method is mainly designed for coping with sudden illumination changes, experimental results using all the video sequences provided on changedetection.net validate it is comparable with other recent methods under various situations.

研究动机与目标

• 开发一种紧凑、实时的背景模型，使其在突发光照变化和动态背景条件下保持鲁棒性。
• 将离线的CP3模型扩展为支持在线训练与检测，以适应实际监控应用。
• 通过引入多通道颜色信息和时间强度约束，提升检测精度。
• 减少误报数量，并在低光照和移动背景等挑战性视频条件下保持检测灵敏度。
• 在综合性基准数据集上，对模型性能与最先进方法进行验证。

提出的方法

• 对于每个像素，使用基于协方差的相关矩阵选择一组与之具有高空间相关性的支持像素。
• 利用从历史数据中估计出的均值和标准差，采用单高斯分布对目标像素与每个支持像素之间的强度偏差进行建模。
• 引入多通道颜色模型，以增强对与背景具有光度相似性的物体的区分能力。
• 实施在线模型更新，以适应渐进式场景变化，无需重新训练。
• 对每个像素应用时间强度范围约束，以限制动态范围并提高检测灵敏度。
• 通过评估观测到的强度偏差超过建模高斯分布的概率来执行检测。

实验结果

研究问题

• RQ1 基于像素对共现的紧凑统计背景模型是否能在突发光照变化下实现鲁棒性能？
• RQ2 整合多通道颜色信息与时间强度约束如何提升动态场景中的检测精度？
• RQ3 CP3模型能否在不牺牲鲁棒性的前提下，有效适应在线训练与实时处理？
• RQ4 在不同视频条件下，该方法与最先进背景分割技术相比表现如何？
• RQ5 在阴影、低光照和相机抖动等挑战性场景下，该模型在多大程度上保持了低误报率和低漏报率？

主要发现

• 该方法在CDW-2014基准测试中平均F-Measure为0.5805，Recall为0.7225，在七种方法中排名第二。
• 该方法PWC（错误分类百分比）仅为3.4318%，位居第二低，表明整体准确性优异。
• 该方法在F-Measure和Recall方面均位列第二，表明前景检测具有较强的完整性。
• 该模型在Intel i7个人电脑上保持了约20 fps的处理速度，适用于实时应用。
• 该方法在CDW-2014数据集的全部11个类别中均表现出鲁棒性，包括夜间视频、湍流和恶劣天气等挑战性情况。
• 时间强度约束与多通道颜色建模的结合有效减少了误报，同时保持了对运动物体的检测灵敏度。