Tôi đã phải vật lộn để tìm một cách tiếp cận được trích dẫn tốt về điều này. Về cơ bản, tôi đang thử nghiệm các thuật toán trừ nền khác nhau, nhưng dường như không có gì hoạt động tốt khi có sự thay đổi ánh sáng đáng kể (giả sử, từ một cửa sổ trong cảnh bị lóa đáng kể vào những thời điểm cụ thể).
Câu hỏi rất đơn giản (tương đối): các phương pháp tiên tiến để trừ nền với những thay đổi chiếu sáng đột ngột là gì? Kịch bản của tôi là camera giám sát.
Câu trả lời:
Cách tiếp cận tiêu chuẩn là sử dụng hỗn hợp Gaussian để mô hình hóa các định luật khác nhau chỉ huy cường độ của một pixel. Trong phương pháp này, một pixel có thể được gán một số định luật thông thường (với giá trị trung bình và phương sai khác nhau), mỗi pixel sẽ mô hình hóa giá trị của nó trong các điều kiện khác nhau. Tất nhiên, chỉ có 1 Gaussian cần phải hoạt động tại một thời điểm.
Trong khi số lượng Gaussian tối đa trong hỗn hợp là một tham số (cố định), các tham số của mỗi Gaussian được học trực tuyến. Bạn có thể tìm thấy một triển khai ví dụ trong thư viện OpenCV .
Vài năm trước, một người nào đó (xin lỗi, tôi không thể tìm thấy tên nữa) đã đề xuất một phương pháp thay thế thú vị: sử dụng các biến thể của hướng gradient ảnh thay vì các biến thể của cường độ ánh sáng. Định hướng độ dốc có lợi thế là bất biến tương phản, làm cho nó mạnh mẽ hơn đối với các thay đổi chiếu sáng. Theo trực giác, nó hoạt động vì hướng gradient được gắn với các hình dạng trong hình ảnh, không phải màu sắc hoặc độ sáng của chúng.
Đây không phải là một cách tiếp cận "được trích dẫn tốt" hoặc trạng thái của nghệ thuật để trừ nền trong mọi trường hợp. Tuy nhiên, câu thứ hai của bạn nói rằng bạn đang thử nghiệm các cách tiếp cận khác nhau , vì vậy tôi nghĩ những gì tôi phải nói vẫn sẽ có giá trị.
Điều tôi đang đề xuất là một đại diện hình ảnh bất biến tương phản , được gọi là Cây hình dạng hoặc Cây cấp độ (có nhiều tên, thật không may, chúng vẫn không giải quyết được tên thường được chấp nhận).
Các ý tưởng chung trong đó ứng dụng được đề xuất là xây dựng một cơ quan đại diện tương phản bất biến-ish của một vài hình ảnh và , và sau đó tìm kiếm sự khác biệt. Ưu điểm là bạn có thể nhận được , như một đầu ra, các phần có trong nhưng không phải trong (hoặc ngược lại) trái ngược với hầu hết các so sánh hình ảnh đơn giản , trong đó kết quả là tất cả sự khác biệt, tức là mọi thứ hiện diện trong một trong các hình ảnh chứ không phải cái khác .
Nếu ứng dụng của bạn là camera an ninh, thì tôi đoán bạn có thể có được một vài hình ảnh chân thực trong điều kiện tốt (ánh sáng đồng đều, tỷ lệ thấp). Sau đó, bạn có thể xây dựng Tree of Shapes từ hình ảnh chân thực của mình và sau đó sử dụng nó để phát hiện các đối tượng mới có trong hình ảnh hiện tại . Các cây phải giống nhau, vì chúng không dựa trên mức pixel màu xám toàn cầu, mà dựa trên "độ tương phản cục bộ": câu hỏi chính thúc đẩy quá trình xây dựng cây là nó sáng hơn / tối hơn so với môi trường xung quanh và không sáng / tối như thế nào là nó .
Có liên quan cho ứng dụng cụ thể của bạn sẽ là một vài trang cuối cùng từ bài viết này:
P. Monasse, F. Guichard: Tính toán nhanh về biểu diễn hình ảnh tương phản - bất biến (2000)
(giấy liên quan với ví dụ ứng dụng)
Bạn có thể tìm thấy một số tài liệu tham khảo có liên quan trong câu trả lời của tôi ở đây , nhưng dường như với tôi bây giờ tổng quan ngắn mà tôi đã làm cho câu trả lời đó vẫn chưa hoàn chỉnh.
Các tác giả của bài báo cụ thể đó cũng đã xuất bản một cuốn sách nhỏ trong sê-ri LNM về cây đặc biệt đó:
V. Caselles, P. Monasse: Mô tả hình học của hình ảnh dưới dạng bản đồ địa hình (2010)
(tập sách với nhiều chi tiết)
Và cuối cùng, những cách tiếp cận đó mang tính lý thuyết nhiều hơn là thực tế cho đến vài ngày trước, bởi vì thời gian xây dựng trường hợp xấu nhất là bậc hai về số lượng pixel hình ảnh. Mới hôm qua, một thuật toán gần như tuyến tính đã được trình bày, cuối cùng làm cho Tree of Shapes có thể sử dụng được trong các ứng dụng khác nhau: