Detection简记1-Vehicles Detection Based on Background Modeling

创新点

1. 背景建模

总结

车辆检测还是很重要的。
流程图：

预处理阶段：去除各种天气，相机等的变化：雨、雾，模糊等等
背景建模获得static reference background image (SRBI)方法是比较有意思的。首先引入block（块）的概念。块是矩形，是分割图片的小区域。块的ratio与图像相同。大小根据视频中第一帧第二帧的道路流量决定。道路流量由熵决定，计算公式如下。

Pi不理解：每个像素的灰度不是确定的吗？
这样，就选好了块的参数。
接下来看怎么利用块。
看这个图就很明白了。首先计算同一区域块的相邻帧的差异，如果下于某一阈值，则认为是背景。然后将所有的块拼接起来组成整幅图的背景。
文中给出了四种计算块的像素差异的方法。

1. 绝对差异
2. 图片熵
3. XOR
4. DCT
   至此，我们已经获得了SRBI。
   将SRBI与图像做XOR，可以去除背景，获得带有噪音的运动物体。
   使用median filter（美的滤波？-？），获得前景mask。
   然后使用CNN分类网络进一步验证确定。

结论

绝对差异(82%)<图片熵(89%)<XOR(93%)<DCT(96%)
大部分步骤起RPN作用，获得ROI，最后一步二分类。
图片熵一直不理解。。。。