【视频变化检测】2017CVPR Spatio-Temporal Self-Organizing Map Deep Network for Dynamic Object Detection from

Spatio-Temporal Self-Organizing Map Deep Network for DynamicObject Detection from Videos

Yang Du1,Chunfeng Yuan1∗,Bing Li1, Weiming Hu1 and Stephen Maybank2CAS Centerfor Excellence in Brain Science and Intelligence Technology,NationalLaboratory of Pattern Recognition, Institute of Automation, Chinese Academy ofSciences;Universityof Chinese Academy of Sciences, Beijing, China 针对动目标检测问题，更好的探索空域和时域的特性来描述复杂的背景。提出Spatio-Temporal Self-Organizing Map(STSOM)深度网络。总结复杂背景含有两个属性：1、    全局背景的空间变换，包括相机的变焦、抖动等。认为背景运动的空域属性。2、    局部背景随着时间的变化。主要指背景的动态属性，比如河流、泉水和坏天气等。认为为背景运动的时域属性。本文基于SOM进行背景描述。SOM（Self-Organizing Map）一个通常的SOM单元包含一系列神经节点，可以通过自己组织的神经节点的权重来学习输入刺激的特征模式。输入的元素与所有的节点是全链接关系，其中的关系可以用一个权重向量来表示。特殊地，获胜节点c被定义为其权重向量与输入图像有最小的距离。公式如下：SOM的学习规则为找到获胜节点，然后更新获胜节点和领域节点的权重。则可以考虑到领域平滑信息。其权重更新公式如下：为学习率，为领域函数，可保留空间拓扑结构。 STSOMDeep Network for Dynamic Object Detection整体结构输入图像连接一个SOM，然后通过阈值得到之后的图像，再经过多层SOM得到最后的结果。通过多层数来更好的刻画复杂的背景。不同于SOBS，每一层的节点数目很少，只有3*3，所以需要更深的网络结构来刻画背景。1. 预训练整个视频图像都被用作预训练STSOM，先转化为HSV空间，在笛卡尔空间中计算像素点i与节点之间的距离：

将会得到一个D的距离大矩阵。分为空域时域来分开更新权重。

1）    空域权重更新对于同一帧的不同像素来说，可以用来刻画背景的空域特性，则每一帧的距离为这一帧所有的像素到节点p的和，找到最小距离的节点，即为获胜节点，再根据更新权重规则进行更新。离获胜权重越近，影响越大，距离越远，影响越小。2）    时域权重更新对于同一像素的不同帧，可以刻画背景的时域特性，则每一个像素点的获胜节点为同一像素不同帧的对于节点p的最小距离的节点。结合空域和时域的更新，使得STSOM有了很好的背景表达能力。3）    前向传递（forward propagation）通过一层一层的预训练，我们已经有了很多的STSOM层。对于每一层来说，我们可以获得结合了空域和时域信息的阈值，用来过滤图像是否为背景。首先，我们通过平均所有的图像来获取一个粗的背景模型，然后利用贝叶斯参数估计方法来获取最后的背景模型。（没看懂这里怎么估计的）利用这个背景模型，进行前向传递，通过一层，将最大的空域节点距离除以所有的像素个数设为空域阈值，最大的时域节点距离设为时域阈值，对空域阈值和时域阈值取平均。然后通过阈值，可获得下一层的输入。对于之后的层，再分别通过权重更新和背景前向传递进行一层一层的更新。获得最终每层的初始结果。2.精调（Fine-tuning）为了让网络更适用于复杂场景的变化，在精调步骤中，输入一个新的视频帧，对每一层的权重进行更新，不更新阈值。更新公式为：与预训练一样，但是α会设置的更小一些3.动目标检测（Dynamic Object Detection）通过之前的训练会得到一个描述背景的网络，然后对于这个网络来说，输入一个新的帧，通过阈值，就会得到最后的动目标检测结果。越深的层数会更精确的表达背景模型。 实验结果l  动背景，包括河流、运动的树、泉水、坏天气、相机抖动等等，有很大的提升效果。l  热流、阴影也可以不错的解决l  间断物体运动和低帧情况，达到最好的效果，因为模型可以动态实时更新。l  PTZ夜晚视频，效果不佳l  整体效果超过了state-of-art一堆实验证明，pre-training的阈值效果比较好，相对大的阈值效果更好一些。每层结果，可以看出，STSOM对于动态背景的有效表达能力。