基於模糊Choquet積分的目標檢測演算法

本文根據**：fuzzy integral for moving object detection-fuzz-ieee_2008

首先，我們來看看這個演算法的基本流程，如下圖所示。

從上圖可以看到，該演算法分成三部分：① 計算顏色和紋理相似性；② 將計算得到的顏色和紋理相似性利用choquet積分進行融合；③ 根據choquet積分的結果進行前景、背景的分類。下面對演算法的這些核心部分進行詳細的介紹。

1）顏色相似計算

在本文中，作者對多種顏色空間進行了研究與分析，通過實驗分析，覺得在rgb、hsv、ycrcb、ohta等四個顏色空間處理效果較佳。推薦使用ycrcb、hsv和ohta，因此相對於rgb，這三個空間對光照變化具有更強的魯棒性。顏色相似性的計算公式如下所示：

其中ic表示當前幀，而ib表示背景幀，k表示通道數。

2）紋理相似性計算

紋理相似性本文採用了具有原理簡單、計算高效快捷、對光照具有一定魯棒性的lbp特徵，lbp特徵的計算可以參考我前面的博文（建議採用lbp的變體運算元）：區域性二值模式lbp（local binary pattern）實現**。而關於lbp紋理特徵的相似性計算如下式所示：

3）choquet積分

。而choquet積分的定義如下：

4）前景背景的分類

前景背景的分類主要是根據前面choquet積分的結果進行閾值化，但是**中採用的是全域性閾值，這也是**的乙個缺點。

但是從總體上說，本文提出的演算法對光照具有很強的魯棒性、對突然光照的變化不會引起大面積的前景。博主通過實驗表明：演算法效果還可以，但是由於採用的是全域性閾值，所以也會存在所有目標檢測中閾值選取中的問題。建議：可以嘗試計算各個畫素相似性的均值和方差，然後根據畫素的特點自適應確定各個畫素的閾值。