Phương pháp Running Average đề ra hướng giải quyết là xây dựng nên mô hình background. Sau đó mô hình background này được sử dụng để tìm ra foreground. Mô hình background này được xây dựng bằng cách học qua n frame liên tiếp. Giá trị pixel tại vị trí (x,y) của mô hình background này được tính bằng cách lấy trung bình cộng của tất cả các giá trị pixel tại vị trí (x,y) của n frame đã học. [4]
Trong đó:
B(x, y): giá trị pixel tại vị trí (x, y) của mô hình background Fi(x, y): giá trị pixel tại vị trí (x, y) của frame thứ i
n: tổng số frame sử dụng để học
Sau khi đã xây dựng được mô hình background, việc xác định ra được đâu là đối tượng foreground được thực hiện bằng cách so sánh từng frame ảnh với mô hình background. Dựa vào giá trị của ngưỡng đã được chọn trước tương tự như phương pháp frame differencing.
2.2
Độ chính xác của thuật toán phụ thuộc vào mô hình background. Do đó để cải tiến thuật toán tốt hơn ta cập nhật mô hình nền qua từng bước chạy thuật toán. Mỗi bước ta dụng công thức (2.3) để cập nhật được mô hình nền.
2.3
Trong đó: thường được chọn là 0.05.
Như vậy, mô hình background sẽ được cập nhật liên tục sau mỗi frame. Vì vậy sẽ giúp tăng độ chính xác của phương pháp.
Ưu điểm: Việc cập nhật liên tục giá trị nền thông qua việc sử dụng tham số đã làm tăng độ chính xác cho việc phát hiện đối tượng chuyển động so với thuật toán trừ nền frame differencing. Cài đặt giải thuật đơn giản, độ phức tạp tính toán đơn giản, tốc độ xử lý nhanh.
Nhược điểm: Phương pháp này chưa giải quyết được những hạn chế của phương pháp trừ nền cơ bản đó là: kết quả phát hiện không chính xác đối với những trường hợp đối tượng trong đoạn video hầu như không di chuyển, camera thu ảnh có nhiều nhiễu, không thể phát hiện được sự thay đổi lớn trong một vùng ảnh nhỏ và thay đổi nhỏ trong một vùng ảnh lớn.
(b)
Hình 2.4. Kết quả khi thực hiện thuật toán Running Average. trên Cam1 (a) và Cam2 (b)