Hình (4.a) biểu diễn ảnh ban đầu. Kết quả sau khi phát hiện nền thể hiện ở ảnh (4.b). Trong ví dụ này, nền không đƣợc cập nhật trong vài giây và máy quay hơi thay đổi vị trí một chút trong thời gian này vì thế nên chúng ta thấy có rất nhiều các phát hiện sai ở các đƣờng biên. Hình (4.c) hiển thị kết quả sau khi đã giảm các điểm ảnh phát hiện sai với xác suất hoán đổi lớn. Chúng ta nhận thấy rằng đã loại bỏ hầu hết các nhiễu chỉ còn lại các điểm ảnh có nhiễu ngẫu nhiên không tƣơng quan với nền là bị phát hiện sai. Tuy nhiên, một số các điểm phát hiện đúng cũng bị loại bỏ. Kết quả cuối cùng ở hình (4.d) là khi chúng ta đã thêm ràng buộc về xác suất hoán đổi thành phần. Kết quả này cho kết quả tốt hơn mọi kết quả trƣớc đó.
1.3.4 Cập nhật nền
Trong các phần trƣớc, chúng ta đã phân tích cách để phát hiện các vùng vật thể thông qua các mẫu trƣớc đó nhƣ là mô hình của nền. Mẫu này chứa N giá trị cƣờng độ trong cửa sổ trên miền thời gian với kích thƣớc W. Ƣớc lƣợng độ rộng băng lõi đòi hỏi tất cả các mẫu phải liên tục với nhau trong miền thời gian. Ví dụ N=W hoặc cặp N/2 mẫu của các giá trị cƣờng độ liên tục trong khoảng thời gian W.
Mẫu này cần đƣợc cập nhật liên tục để thích nghi với những thay đổi trong nền. Việc cập nhật đƣợc thực hiện theo kiểu FIFO – vào trƣớc ra trƣớc. Nghĩa là: các mẫu, các cặp cũ nhất sẽ đƣợc thay thế bởi các mẫu, cặp mới trong mô hình. Mẫu mới đƣợc chọn ngẫu nhiên trong khoảng W/N khung hình.
Với một mẫu điểm ảnh mới, có 2 cơ chế khác nhau khi cập nhật nền đó là: Cập nhật chọn lọc: thêm mẫu mới vào mô hình chỉ khi nó đƣợc
phân lớp nhƣ là mẫu nền.
Cập nhật mù: luôn thêm mẫu mới vào mô hình.
Tùy theo mỗi cách mà phát sinh các nhƣợc điểm khác nhau. Cơ chế thứ nhất nâng cao các đích phát hiện từ đó các điểm ảnh đích sẽ không đƣợc thêm vào mô hình. Điều này đòi hỏi phải có một quyết định khi cập nhật: là điểm ảnh thuộc nền hay không. Cũng có nghĩa là việc quyết định sai điểm ảnh trƣớc sẽ ảnh hƣởng tới quyết định phát hiện của điểm ảnh sau đó và có thể rơi vào tình trạng dead-lock (không thoát ra để tìm ra kết quả đƣợc). Lấy ví dụ nhƣ trƣờng hợp cành cây có thể là chuyển động hay đứng yên cố định trong một thời gian dài tại một vị trí mới thì nó vẫn sẽ đƣợc phát hiện nhƣ là vật thể. Cơ chế thứ hai
không bị hiện tƣợng dead-lock vì không phải tiến hành quyết định khi cập nhật. Nó cho phép các giá trị cƣờng độ đƣợc thêm vào mô hình mà không quan tâm là thuộc nền hay không. Điều này dẫn tới việc phát hiện sai khi chúng trở thành một thành phần nền sai của mô hình. Hiệu ứng này có thể giảm khi chúng ta tăng cửa sổ thời gian của các mẫu đƣợc lấy, khi nhỏ hơn tỉ lệ các điểm ảnh phát hiện sẽ đƣợc bao hàm trong mẫu. Nhƣng khi chúng ta tăng cửa sổ thời gian thì nhiều lỗi phát hiện sai sẽ xảy ra bởi vì việc thích nghi với những thay đổi là chậm và các sự kiện ít xảy ra thƣờng không đƣợc lặp lại trong mẫu.
Mục đích của chúng ta vẫn là xây dựng một mô hình nền có khả năng thích nghi tốt với những thay đổi của nền để có thể phát hiện nhạy hơn và có tỉ lệ lỗi phát hiện sai thấp. Kết quả này có thể đặt đƣợc bằng cách kết hợp kết quả của hai mô hình nền (theo thời gian ngắn và theo thời gian dài) nhƣ là một cách để đặt đƣợc quyết định tốt hơn khi cập nhật và loại bỏ các nhƣợc điểm đã trình bày ở phần trên. Hai mô hình đƣợc thiết lập để lƣu trữ theo các tiêu chí khác nhau.
Mô hình theo thời gian ngắn: là mô hình gắn với hiện tại của nền. Nó thích nghi với các thay đổi nhanh cho phép phát hiện rất nhạy. Mô hình này bao gồm N các giá trị mẫu gần nhất của nền. Mẫu đƣợc cập nhật sử dụng cơ chế cập nhật chọn lọc và việc quyết định cập nhật dựa vào mặt nạ M(p,t). Trong đó, M(p,t) =1 nếu điểm ảnh p sẽ đƣợc cập nhật tại thời điểm t và ngƣợc lại là giá trị 0. Mặt nạ này đƣợc điều khiển bởi kết quả cuối cùng là sự kết hợp của hai mô hình. Mô hình này sẽ chứa hai loại phát hiện sai: liên quan tới các sự kiện ít xảy ra không đƣợc mô hình hóa và liên quan tới việc quyết định phát hiện/cập nhật sai do các thay đổi của nền.
Mô hình theo thời gian dài: mô hình này biểu diễn ổn định hơn nền và chỉ thích nghi với các thay đổi chậm. Mô hình này chứa N mẫu lấy trong cửa sổ thời gian lớn hơn. Các mẫu này sử dụng cơ chế cập nhật mù vì thế mọi mẫu mới đều đƣợc thêm vào mô hình không quan tâm tới quyết định khác. Mô hình này sẽ có nhiều phát hiện sai hơn bởi vì nó không mang thông tin gần với nền hiện tại và giá trị điểm ảnh phát hiện có thể nằm trong số các mẫu đã có. Mô hình chỉ thích nghi với các thay đổi có tốc độ chậm hơn W/N.
Theo thời gian, các sự kiện này cũng sẽ đƣợc thích nghi trong mô hình theo thời gian dài và lỗi sẽ đƣợc giảm dần. Tuy vậy, điều này cũng sẽ làm giảm tỉ lệ phát hiện đúng trong mô hình đầu tiên và thứ hai bởi vì mô hình theo thời gian dài thích nghi tốt với các đối tƣợng nếu chúng đứng yên hoặc chueyern động chậm. Để giải quyết vấn đề này, tất cả các điểm ảnh đƣợc phát hiện trong mô hình theo thời gian ngắn phải là lân cận của các điểm ảnh đƣợc phát hiện bởi sự kết hợp của cả hai mô hình trong kết quả cuối cùng.
1.3.5 Phát hiện vùng tối
Phát hiện trong các vùng tối nhƣ là vùng có các đối tƣợng gây rất nhiều khó khăn. Thông tin màu rất hữu dụng trong việc giảm các phát hiện trong vùng tối bằng cách tách thông tin màu từ thông tin độ sáng. Giả sử có 3 biến màu R, G và B có sắc độ lần lƣợt là r,g,b với và . Căn cứ vào đặc tính này sẽ làm giảm độ nhạy với các thay đổi về cƣờng độ sáng trong các vùng tối.
(a) (b) (c)