【转自：OpenCV ——背景建模之CodeBook(1)-(2)- Mr.Easy - 博客园  http://t.cn/Ainx0SXH  http://t.cn/AinxH427】

1. CodeBook的来源

先考虑平均背景的建模方法。该方法是针对每一个像素，累积若干帧的像素值，然后计算平均值和方差，以此来建立背景模型，相当于模型的每一个像素含有两个特征值，这两个特征值只是单纯的统计量，没有记录该像素值的历史起伏，即没有考虑时间序列和噪声干扰，不具备鲁棒性，因此建模时不能有运动前景的部分，要求光线保持不变。
　　如果我们考虑到时间起伏序列建模，比如利用60帧图像建模，对于每一个像素点会产生60个像素值，分别给他们加上60个相关的权值，或者进一步统计不同像素值出现的频次或者距离，以此来排除噪声，这样能够模拟复杂的背景，但是会带来巨大的内存消耗。
　　如果我们对该像素值起伏的动态范围进行压缩，压缩的依据是像素值之间的大小距离，即当前观测值与历史的记录值对比，如果两个值接近，就归为一类，也就是隶属同一个码元（CodeWord），如果差别过大，就以当前观测值新建一个码元，因为背景的变化情况远小于前景，所以压缩之后我们就得到了只含有若个码元的一个编码本（CodeBook），这个编码本不仅能够模拟复杂背景，同时大大减少内存消耗。此外，对每个码元的更新频率进行监督，剔除那些频率低的（误跑进来的动态前景），不仅排除了噪声，同时也允许有移动前景的背景当做学习资料。这便是CodeBook的核心思想。
2. CodeBook的实现
　　CodeBook执行前景分割主要分为三个过程，即背景建模、清除陈旧码元、前景分割，分别对应如下三个函数updateCodeBook(), clearStaleEntries(), backgroudDiff()。
2.1 结构及主要参数
　　CodeBook算法为当前图像的每一个像素建立一个CodeBook(CB)结构，每个CodeBook结构又由多个码元CodeWord(CW)组成。
　　CB和CW的形式如下：
　　CB={CW1,CW2,…CWn,t}
　　CW={learnHigh[],learnLow[],max[],min[],t_last_updata,stale}
　　其中n为一个CB中所包含的CW的数目，当n太小时，退化为简单背景，当n较大时可以对复杂背景进行建模。CW是一个6元组结构，在整个算法流程中，主要包括以下参数：
　　maxMod[]：用训练好的背景模型进行前景分割时的调节量，判断点是否小于max[] + maxMod[])；
　　minMod[]：用训练好的背景模型进行前景分割时的调节量，判断点是否小于min[] -minMod[])；
　　cbBounds[]：训练背景模型时用到，相当于控制模型的增长速率，更新learnHigh[]和learnLow[]。
　　learnHigh[]：背景的学习上界限，当新像素进来时判断其是否属于该码元；
　　learnLow[]：背景的学习下界限，当新像素进来时判断其是否属于该码元；
　　max[]: 背景学习中不断更新，记录当前码元的最大值，在前景分割时，与MaxMod[]配合，判断像素是前景还是背景;
　　min[]: 背景学习中不断更新，记录当前码元的最小值，在前景分割时，与MinMod[]配合，判断像素是前景还是背景;
　　此外，为了剔除陈旧码元，给每个CB和CW都加入了若干时间标签，比如CB的t，记录CB更新的次数，CW的t_last_updata和stale，t_last_updata记录了该CW上次更新的时间，stale记录了CW的搁浅时间，stale=t-l_last_updata。
2.2 背景建模
　　遍历每一个像素，假设针对某个像素I(x,y)，遍历其对应的CodeBook的每一个码元，分通道检测learnHighI(x,y)learnLow？如果满足条件，则更新该码元的t_last_updata，若max<I(x,y)，更新max=I(x,y), 若min>I(x,y), 更新min=I(x, y)，若learnHigh<I(x,y)+cbBounds，缓慢增加学习上限learnHigh+1, 若learnLow>I(x,y)-cbBounds，降低学习下线learnLow-1。
　　如果不满足条件，则创建一个新的码元,learnHign=I(x,y)+cbBounds，learnLow=I(x,y)-cbBounds, max=min=I(x,y)。
　　更新所有的时间标签。
2.3 清除陈旧码元
　　背景建模一段时间后，需要定期清除陈旧码元，针对每一个CodeBook，根据经验将其时间t的一半当做阈值，遍历所有码元，将与之对应的时间标签stale与阈值比较，大于阈值的则删除，阈值之内的保留，同时更新时间标签。
2.4 前景分割
　　前景分割也就是利用训练好的CodeBook进行运动检测，遍历该像素对应的CodeBook的所有码元，如果其中一个码元满足当前像素I(x,y)min-minMod且I(x,y)max+maxMod，则判断该像素属于背景，如果一个条件不满足，则属于前景。

3. CodeBook算法流程介绍

CodeBook算法的基本思想是得到每个像素的时间序列模型。这种模型能很好地处理时间起伏，缺点是需要消耗大量的内存。CodeBook算法为当前图像的每一个像素建立一个CodeBook(CB)结构,每个CodeBook结构又由多个CodeWord(CW)组成。
　　CB和CW的形式如下：
　　CB={CW1,CW2,…CWn,t}
　　CW={lHigh,lLow,max,min,t_last,stale}
　　其中n为一个CB中所包含的CW的数目，当n太小时，退化为简单背景，当n较大时可以对复杂背景进行建模;t为CB更新的次数。CW是一个6元组，其中IHigh和ILow作为更新时的学习上下界，max和min记录当前像素的最大值和最小值。上次更新的时间t_last和陈旧时间stale(记录该CW多久未被访问)用来删除很少使用的CodeWord。
假设当前训练图像I中某一像素为I(x,y)，该像素的CB的更新算法如下，另外记背景阈值的增长判定阈值为Bounds：
　　(1) CB的访问次数加1；
　　(2) 遍历CB中的每个CW，如果存在一个CW中的IHigh，ILow满足ILow≤I(x,y)≤ IHigh，则转(4)；
　　(3) 创建一个新的码字CWnew加入到CB中, CWnew的max与min都赋值为I(x,y)， IHigh <- I(x,y) + Bounds，ILow <- I(x,y) – Bounds，并且转(6)；
　　(4) 更新该码字的t_last，若当前像素值I(x,y)大于该码字的max，则max <- I(x,y)，若 I(x,y)小于该码字的min，则min <- I(x,y)；
　　(5) 更新该码字的学习上下界，以增加背景模型对于复杂背景的适应能力，具体做法是： 若IHigh < I(x,y) + Bounds，则IHigh 增长1，若ILow > I(x,y) – Bounds，则ILow 减少1；
　　(6) 更新CB中每个CW的stale。
　　使用已建立好的CB进行运动目标检测的方法很简单，记判断前景的范围上下界为minMod和maxMod，对于当前待检测图像上的某一像素I(x,y)，遍历它对应像素背景模型CB中的每一个码字CW，若存在一个CW，使得I(x,y) < max + maxMod并且I(x,y) > min – minMod，则I(x,y)被判断为背景，否则被判断为前景。
　　在实际使用CodeBook进行运动检测时，除了要隔一定的时间对CB进行更新的同时，需要对CB进行一个时间滤波，目的是去除很少被访问到的CW，其方法是访问每个CW的stale，若stale大于一个阈值（通常设置为总更新次数的一半），移除该CW。
　　综上所述，CodeBook算法检测运动目标的流程如下：
　　(1) 选择一帧到多帧使用更新算法建立CodeBook背景模型；
　　(2) 按上面所述方法检测前景（运动目标）；
　　(3) 间隔一定时间使用更新算法更新CodeBook模型，并对CodeBook进行时间滤波；
　　(4) 若检测继续，转(2)，否则结束。

Love is everywhere.
爱无处不在。