文章通过多层人工神经网络来处理运动检测，该人工神经网络通过自组织图能够为每个背景像素构建多模式颜色分布。根据winner-take-all规则，响应光照变化，移动背景和抖动等外部干扰条件。网络的每一层对背景场景的独立状态。因此，文章的背景减法方法具有较高的泛化能力，各层结合后进行过滤处理，可以产生精确的运动分割。此外，文章提出了检测背景模型需要重新初始化的异常事件（如摄像机运动）的方法。
文章基础知识SOBS：Maddalena L, Petrosino A. A self-organizing approach to background subtraction for visual surveillance applications[J]. IEEE Transactions on Image Processing, 2008, 17(7): 1168-1177.
作者前一篇文章：A novel background subtraction approach based on multi layered self-organizing maps，ICIP2015。MIL-SOBS属于作者之前的工作，做的多个层次的自组织神经网络图用于背景的表达。
本文的工作通过对前景分类的时间分析来解决这个问题。 更准确地说，文章用两个分辨率级别分析运动分类：像素和图像分辨率级别。 通过随着时间的推移控制像素分类的振荡，我们能够识别和隔离分割更困难的区域。 这些区域与其他框架区域进行了不同的处理，这些区域表现出“共同的行为”并需要标准处理。 此外，通过全局监控前台速率，我们能够识别出使用背景减法需要模型重新初始化或进一步过滤阶段的变化的环境条件（如摄像机运动）。
未完待续。。。。
转载请注明原文地址: https://ju.6miu.com/read-675727.html
