baggrundsmodel

En baggrundsmodel er en repræsentation af den stabile del af en scene i en billed- eller videosekvens. Den bruges til at udlede forgrunden ved ændringer i lys eller bevægelse og danner grundlaget for baggrundsubtraktion og ændringsdetektion i videoanalyse.

Der findes flere typer baggrundsmodeller. Den mest udbredte er pixelbaserede modeller, hvor hvert pixel har en tidsmæssig fordeling af farver eller intensiteter. En af de mest kendte parametere modeller er Gaussian Mixture Model (GMM), som modellerer hvert pixel med flere Gaussiske komponenter, der opdateres løbende. Non-parametriske metoder som kernel density estimation og codebook-modeller lagrer repræsentative prøver for hvert pixel. Nylige metoder som ViBe og SuBSENSE anvender sample-baserede eller teksturbaserede modeller for bedre håndtering af dynamiske baggrunde og ændret belysning.

Baggrundsdetektion foregår ved at opgøre, om den aktuelle pixelværdi passer til en af baggrundskomponenterne; hvis ikke, registreres pixelen som forgrund. Baggrundsmodellen opdateres løbende med en læringsrente, og komponenter kan tilføjes eller fjernes for at tilpasse sig scenen. Nogle metoder inkluderer også skyggeafmærkning for at reducere fejlagtige klassifikationer.

Udfordringer omfatter dynamiske baggrunde som bevægelige blade, vand og reflektioner, ændringer i belysning, kamerarystelser og skygger, som kan forveksles med bevægelse. Antallet af komponenter, tærskler og indlæringshastighed påvirker nøjagtighed og realtidsydelse.

Anvendelserne spænder fra overvågning og trafikdataanalyse til robotteknologi og dyreobservation. Baggrundsmodeller er grundlaget for videre analyse som objekttagning, sporingsalgoritmer og anomali-detektion.