前段時間一直做運動檢測，現在總結一下，供網友參考，不要在論文的苦海中掙紮了
運動檢測小結
運動檢測作為許多計算機視覺應用中的預處理環節，在諸如視訊監控、智能空間、視訊搜尋等等領域中都有着重要的應用，綜述性文章包括[1]，[2]等。運動檢測中的運動目标稱為前景，是人們感興趣的區域，而不是前景的區域稱為背景，是需要忽略的區域，運動檢測的目的即是在一個視訊流中提取出前景區域，供下一步目辨別别、跟蹤、行為分析等等環節處理。正如文獻[1]中所說，很難準确的定義什麼是前景，即什麼樣的運動被認為是感興趣的，特别是在諸如光線漸變、突變，動态背景，僞裝效應，陰影，鬼影等等具有挑戰性的場景中，準确的定義前景并精确的提取出前景是一件十分困難的任務,常用的方法是首先建立一個背景的模型，并用該模型不斷的與視訊中的每一幀圖像進行比較，圖像中與背景相似的區域被認為是背景，而不能比對上的區域稱為前景，最後利用該圖像資訊更新背景模型，供下次檢測使用，該方法稱為背景剪除方法。背景剪除可分為4個過程，即預處理、背景模組化、前景檢測、後處理[3]。其中背景模組化與前景檢測是背景剪除方法的關鍵環節，許多背景剪除方法的設計都是從這兩方面着手的。但預處理與後處理同樣起着重要作用，任何背景模組化方法都能通過适當的預處理（色彩空間轉換、濾波等）和後處理（濾波、顯著性檢測等）以提高性能[3]，特别是馬爾科夫随機場理論作為一種後處理手段，是一種較為常用和有效的技術（[1]，[4]，[5]）。正是由于運動檢測在實際應用中的重要作用以及運動檢測的困難性，近10年來吸引了越來越多計算機視覺的研究者投身到這一領域，一些重要成果不斷湧現，在IEEE Xplore上快速檢索“motion detection”字樣可傳回超過4000篇論文[6]。
在數量衆多的背景剪除方法中，早期的較為經典的方法包括Stauffer與Grimson的混合高斯背景模組化方法[7]以及Elgammal等人的非參數核密度估計方法[8]。采用單幅靜态背景圖像作為背景模型用于前景檢測的方法，當遇到諸如光照變化等等情況時，其檢測效果往往不佳。Wren等人[9]在其系統Pfinder中将背景中每一像素建立為服從高斯分布的分布模型，其中高斯分布的均值與方差采用疊代更新的方式，并通過目前圖像灰階值與背景像素分布的Mahalanobis距離檢測前景。該方法在室内環境光線變化不太劇烈的情況下工作良好，但當在室外環境下，存在諸如樹葉、水面波紋周期運動等情況，即背景像素分布為多峰分布時，單個高斯模型并不能很好的模拟實際場景。混合高斯模型[7]将背景像素建立為多個高斯模型的權重和的形式，能夠很好的模拟多峰背景的情況，對于動态背景情況，當背景變化不太劇烈時也有一定的适應能力。相比于模型結構固定的參數化方法，Elgammal等人[8]的非參數核密度估計方法根據圖像像素的曆史資料建立背景的非參數分布模型，并通過閥值化的方法進行前景檢測，該方法較混合高斯模型有更高的準确度，但算法的複雜性也随之提高。針對傳統經典方法中諸如參數不能根據場景自動調節等等問題，研究者在混合高斯模型和核密度估計的基礎上提出了一系列的改進方法，例如Zivkovic[10]，Riahi[11]，KaewTraKulPong[12]，Nonaka[13]等等。其他較早的方法還有特征空間法[14]、碼書法[15]等。特征空間法将整幅圖像作為一個整體投影到特征空間上，并采用主成分分析的方法降維以減小計算量，前景檢測時用目前圖像與預先訓練的背景圖像在特征空間上做差并閥值化以得到前景區域。碼書法将背景中每個像素的模型建立為一個代碼表，并利用訓練圖像的各通道的灰階值進行編碼，前景檢測采用查表的方式以确定前景區域。
針對運動檢測這個問題，近10年來研究者結合具體的應用場合已提出了為數衆多的方法，但由于缺少統一标準的測試資料，進而缺乏對這些方法客觀公正的評價比較。另一方面，由于運動檢測的特殊性，針對諸如光線變化、動态背景、陰影、僞裝效應等等情況，很難有某種方法能夠處理所有的情況，一種方法對某種情況有好的處理效果，對另一種情況的處理效果可能就會變得很差。最後，由于部分運動檢測方法實作複雜，要求某位研究者将自己的方法與别人的方法進行比較評價并不現實，早期的研究也隻是同混合高斯模型等等簡單的方法進行比較[6]。是以建立一個統一客觀的标準資料集和評價标準對現有方法進行客觀公正的評價對現有運動檢測方法的認識、改進以及新方法的提出具有重要作用。最著名的資料集是Wallflower資料集[16]，其他資料集還有IBM資料集[17]，PETS資料集[18]以及近期由Brutzer等人提供的資料集[19]等等，但是這些資料集存在諸如人工合成資料、ground truth标記不完整等問題。2012年由Pierre-Marc等人發起的第一屆運動檢測工作組[20]旨在解決上述提到的種種問題，給出了一組資料集CDnet，該資料集分别采用網絡像機、專業錄影機、PTZ相機、熱成像相機等不同裝置針對6種典型環境給出31組近90,000幀測試圖像，并有詳細的ground truth圖像供性能驗證使用。另外，[20]給出一個公用平台供不同運動檢測研究人員送出自己的測試結果并參照[18]的方法與不同研究組的運動檢測方法進行性能比較。
不同方法的測試結果可參看[20]，由結果可看出，相比于簡單的歐式距離、Mahalanobis距離等方法，經典的混合高斯模型、核密度估計以及在其基礎上的改進方法，近年來由學者提出的方法往往都表現出更好的性能[20]。Maddalena等[21]在基于視覺注意理論的基礎上提出一種自組織的背景模組化方法，其采用機器學習的方式訓練背景模型，針對動态背景等具有挑戰性的場景達到了較為理想的效果。Van Droogenbroeck等[22]提出一種稱為ViBe的背景剪除方法，相比于其他方法，該方法将每個像素的背景模型建立為一定個數的圖像像素的采樣值，并通過定義一系列規則初始化、更新背景以及檢測前景。ViBe在解決諸如動态背景，模型初始化等方面具有良好的性能，其改進方法ViBe+[23]具有更好的效果。Hofmann等[24]提出一種非參數的背景模組化方法，并通過引入控制理論的思想，設計了兩個閉環控制器決定前景檢測的閥值，該方法在[20]中的6種類别場景的綜合性能達到了最好的效果。其他較新的的成果還有Lanza等人[25]的統計方法，該方法通過給幹擾成分進行精緻的模組化等處理方式使其在場景受幹擾的情況下比一般方法有更好的性能。Caseiro等[26]基于黎曼幾何架構給出一種非參數的張量背景模組化方法。Ko等[27]利用圖像空間上的鄰域資訊建立一個扭曲的背景模型，該方法針對背景具有明顯運動的情況效果較好，并且計算複雜度較小。
[1] R. Radke, S. Andra, O. Al-Kofahi, B. Roysam.: Image change detection algorithms: A systematic survey. In: Image Processing, vol. 14, pp. 294-307, March 2005.
[2] M. Piccardi.: Background subtraction techniques: A review. In: International conference on Systems, Man and Cybernetics, vol. 4 pp. 3099-3104, October 2004.
[3] D. Parks, S. Fels.: Evaluation of background subtraction algorithms with post-processing. In: International Conference on Adv. Video Signal Based Surveillance, pp. 192-199, September 2008.
[4] Y. Zhou, W. Xu, H. Tao, Y. Gong.: Background Segmentation Using Spatial-Temporal Multi-Resolution MRF. In: IEEE Workshops on Application of Computer Vision, vol. 1, pp. 8-13, January 2005.
[5] A. Schick, M. Bauml, R. Stiefelhagen.: Improving foreground segment with probabilistic super-pixel markov random field. In: Proceeding of IEEE Workshop on Change Detection, 2012.
[6] N. Goyette, P-M. Jodoin, F. Porikli, J. Konrad, P. Ishwar.: changedetection.net: A new change detection benchmark dataset. In: Proceeding of IEEE Workshop on Change Detection, 2012.
[7] C. Stauffer, E. Grimson.: Adaptive background mixture models for real-time tracking. In: CVPR, vol. 2, pp. 246-252, June 1999.
[8] A. Elgammal, D. Hanvood, and L. S. Davis.: Nonparametric model for background subtraction. In: ECCV, pp. 751–767, 2000.
[9] C. Wren, A. Azarbayejani et al.: Pfinder: Real-time tracking of the human body. In: PAMI, vol. 19, no. 7,pp. 780-785, July 1997.
[10] Z. Zivkovic.: Improved adaptive Gaussian mixture model for back-ground subtraction. In: ICPR 2004, pp. 28-31, 2004.
[11] D. Riahi, P. L. St-Onge, G. A. Bilodeau.: RECTGAUSS-Tex: Block-based Background Subtraction. In: Technical Report, École Polytechnique de Montréal, EPM-RT-2012-03.
[12] P. KaewTraKulPong and R. Bowden.: An Improved Adaptive Background Mixture Model for Real-time Tracking with Shadow Detection. In: proceeding of Workshop on Advanced Video Based Surveillance Systems, 2001.
[13] Y.Nonaka, A. Shimada, H.Nagahara, R. Taniguchi.: Evaluation Report of Integrated Background Modeling Based on Spatio-temporal Features. In: proc of IEEE Workshop on Change Detection, 2012.
[14] N. Oliver, B. Rosario, A. Pentland.: A Bayesian computer vision system for modeling human interactions. In: PAMI, vol. 22, no. 8, pp.831-843, Aug. 2000.
[15] K. Kim, T. Chalidabhongse, D. Harwood, L. Davis.: Background modeling and subtraction by codebook construction. In: ICIP, vol. 5, pp. 3061-3064, Oct. 2004.
[16] K. Toyama, J. Krumm, B. Brumitt, and B. Meyers.: Wallflower: Principles and practice of background maintenance. In: ICCV, vol. 1, pp. 255–261, 1999.
[17] www.research.ibm.com/peoplevision/performanceevaluation.html.
[18] D. Young and J. Ferryman.: PETS metrics: Online performance evaluation service. In: Proc. IEEE Int. Workshop on Vis. Surv. and Perf. Eval. of Tracking and Surv., pp. 317–324, 2005.
[19] Brutzer, S., Hoferlin, B., Heideman, G.: Evaluation of background subtraction techniques for video surveillance. In: CVPR 2011, pp. 1937—1944, 2011.
[20] http://www.changedetection.net/
[21] L. Maddalena, A. Petrosino.: A self-organizing approach to background subtraction for visual surveillance applications. Image Processing, vol. 17, no. 7, pp. 1168-1177, July 2008.
[22] O. Barnich and M. Van Droogenbroeck.: ViBe: A universal background subtraction algorithm for video sequences. In: IEEE Transactions on Image Processing, vol. 20, no. 6, pp. 1709-1724, June 2011.
[23] M. Van Droogenbroeck, O. Paquot.: Background Subtraction:Experiments and Improvements for ViBe. In: proc of IEEE Workshop on Change Detection, CVPR 2012.
[24] M. Hofmann, P.Tiefenbacher, G. Rigoll.: Background Segmentation with Feedback: The Pixel-Based Adaptive Segmenter. In: proc of IEEE Workshop on Change Detection, 2012.
[25] A. Lanza and L. D. Stefano.: Statistical Change Detection by the Pool Adjacent Violators Algorithm. In: PAMI, vol. 33, no. 9, pp. 1894-1910, 2011.
[26] R. Caseiro, J. Henriques, P. Martins, J. Batista.: A nonparametric riemannian framework on tensor field with application to foreground segmentation. In: ICCV 2011, pp. 1—8, 2011.
[27] T. Ko, S. Soatto, D. Estrin.: Warping background subtraction. In: CVPR 2010, pp. 1331—1338, 2010.