1

我正在尝试优化此算法以使用移动摄像机视频进行自适应背景检测：

http://www.springerlink.com/content/4j2m3885r3133202/fulltext.pdf

该算法加快了背景模型的升级（SVD 对于实时应用来说太重了）。我可以管理 3 个属性来加速算法。属性是：

  1. N第一次 SVD 计算的帧数
  2. M描述背景模型的特征向量个数（M<=N）
  3. P等待批量更新的帧数

你知道我怎样才能找出处理时间和这三个属性之间的关系吗？

你知道如何找出最优值吗？

该算法的主要部分是在批量更新期间对传入帧进行正交归一化的 QR 分解。这个功能需要很多时间。

你知道计算正交化的更快算法吗？

这里是我正在使用的 m_cT 的函数 QR（论文中的矩阵U'=[U|E] ）：

  for (int i = m_iNFrame; i < m_iNFrame+m_iNUpdate; i++)
    {
    m_cT.col(i).copyTo(m_cQ.col(i));
    for(int j = 0; j < i; j++)
    {
      m_cR.at<double>(j,i) = m_cQ.col(j).dot(m_cT.col(i));
      m_cQ.col(i) = m_cQ.col(i) -  m_cR.at<double>(j,i)*m_cQ.col(j);
    }
    m_cR.at<double>(i,i)=norm(m_cQ.col(i));
    m_cQ.col(i)=m_cQ.col(i).mul(1.0/m_cR.at<double>(i,i));
  }

在测试过程中，我注意到帧中的高频细节在相机运动过程中会产生大量误报。

你认为在 SVD 计算之前应用一个平滑滤波器可以得到更好的检测 BG/FG 吗？

谢谢您的帮助。

4

0 回答 0