Hintergrundmodellierung

Hintergrundmodellierung bezeichnet in der Bild- und Videoverarbeitung eine Gruppe von Verfahren, mit denen der Hintergrund einer Videosequenz beschrieben wird, um den Vordergrund, also bewegte Objekte, zuverlässig zu detektieren. Ziel ist die Erzeugung einer Foreground-Maske, die foreground-Pixel von Hintergrund-Pixeln trennt.

Grundlagen: In Pixel-weisen Ansätzen wird für jeden Pixel ein Modell des Hintergrundes aufgebaut, das zeitliche Veränderungen berücksichtigen kann. Bekannte Ansätze verwenden frame differencing, statistische Modelle oder Dichte-Schätzungen. Das Gaussian-Mixture-Modell (GMM) nach Stauffer und Grimson ist eines der am weitesten verbreiteten Modelle; es beschreibt jeden Hintergrundpixel durch mehrere Gaußsche Verteilungen und aktualisiert diese adaptiv. Weitere Ansätze nutzen robuste Schätzungen oder Dichteschätzung, um Beleuchtungsänderungen und langsame Hintergrundänderungen zu handhaben. In jüngerer Zeit kommen tiefe Lernmethoden zum Einsatz, die Hintergrund- und Vordergrundsegmente in End-to-End-Netzwerken trennen.

Anwendungen: Hauptanwendungen finden sich in der Videoüberwachung, Verkehrsüberwachung, Robotik und der Tierbeobachtung, wo eine zuverlässige Hintergrundsubtraktion Foreground-Masken liefert.

Herausforderungen und Entwicklung: Zu den Herausforderungen gehören plötzliche Beleuchtungsänderungen, Schattierungen, sich bewegende Hintergrundelemente wie Wind oder Wasser, Kamerabewegungen sowie langfristige Änderungen der Szene. Seit den 1990er-Jahren hat sich die Hintergrundmodellierung von einfachen Frame-Differencing-Ansätzen zu robusten, hybriden und lernbasierten Modellen entwickelt, darunter adaptive statistische Modelle und Deep-Learning-Verfahren. Verwandte Konzepte sind Hintergrundsubtraktion und Videoüberwachung.