OpenCV中前景 - 背景分割方法的区别

Question

OpenCV版本2.4.5提供了几种不同的实现，可用于跟踪使用统计方法估计背景的移动对象。 OpenCV在CPU上实现了BackgroundSubtractorMOG，BackgroundSubtractorMOG2个类。此外，它还具有BackgroundSubtractorMOG和BackgroundSubtractorMOG2的GPU实现，分别为gpu::MOG_GPU和gpu::MOG2_GPU。还有另外两种算法gpu::GMG_GPU和gpu::FGDStatModel。

在我的应用程序中，我想在移动对象进入场景后立即将其分段。我想避免像阴影那样的误报。这四种算法似乎专注于同一目标 - 它们通过随时间创建背景模型将背景与前景分开。如果有这些实现经验的人可以帮我决定使用哪个（GPU）实现，我就会徘徊。这些算法 - MOG，MOG2，GMG和FGDStatModel - 彼此之间有何不同？使用一种或另一种算法有什么好处？这些实现如何在速度，配置参数的能力，准确性，阴影检测（误报）等方面进行比较？

Answer 1

我偶然发现位于bgfg_segm.cpp的演示源代码{opencv_folder}\samples\gpu。该演示显示了以下背景前景分割类的用法和显示输出

FGDStatModel
MOG_GPU 
MOG2_GPU
VIBE_GPU  <- listed under `non-free functionality` in OpenCV documentation 
GMG_GPU 

这正是我比较算法所需要的。显然，需要调整算法的参数以找到适合给定应用的一种算法（以及一组参数）。

速度比较：

FGDStatModel  ~60 frames per second (fps) <-slowest 
MOG_GPU       ~650 fps
MOG2_GPU      ~650 fps
VIBE_GPU      ~1000 fps <- fastest
GMG_GPU       ~190 fps