Es decir, definir el fondo y luego ver qué cambios se producen en este.
Definirlo puede ser una tarea muy difícil cuando contiene formas, sombras, y objetos que se mueven.
Los escenarios donde se aplican estas técnicas suelen ser muy diversos.
Pueden ser secuencias muy variables, imágenes con una iluminación muy diferente, interiores, exteriores, más calidad o menos y así hasta un número muy elevado de posibilidades.
Hay muchas técnicas que tratan este problema, todas basadas en la dualidad de fondo estacionario y dinámico a la vez.
No se puede considerar este método muy eficiente ya que no presenta una base estadística rigurosa y precisa de una memoria intermedia que tiene un coste computacionalmente elevado.
Cada píxel cuenta con su distribución de probabilidad gaussiana caracterizada por una media y una varianza.
Como para cada trama el fondo puede ir cambiando, la media y la varianza se tienen que ir actualizando.
es el valor del píxel de la imagen a analizar,
son respectivamente la media y la varianza de la distribución gaussiana,
es el parámetro que define la velocidad de actualización (normalmente
es la distancia euclídea entre la media y el valor del píxel.
Una variante del método propone que la actualización de las variables solo debería hacerse cuando el píxel a analizar se considere como fondo, ya que si se considera como primer plano el modelo de fondo de aquel píxel no debería haber cambiado.
Por tanto, esta variante del método especifica una actualización diferente para la variable
, es decir, cuando el píxel sea detectado como primer plano, la media no actualizará ya que el producto dará como resultado 0.
Es el método propuesto por Stauffer and Grimson[1] y probablemente el más importante en cuanto a esta tarea.
Aprovecha la idea de modelar el fondo con funciones gaussianas, pero en lugar de utilizar solo una por cada píxel y variarla, considera que cada píxel puede tener diferentes estados en función del tiempo.
Por ejemplo, en un cielo de color azul podemos tener nubes blancas que van pasando variablemente.
es el número de guassianas utilizadas para modelar cada píxel (normalmente entre 3 y 5),
El fondo para un píxel se modelará con las B gaussianas con más peso y con menos varianza: Donde
Normalmente, un píxel así será considerado a primera vista primer plano, pero, si esta gaussiana nueva creada va aumentando su peso
Si esta nueva gaussiana creada se convirtiera en fondo debido a un aumento de su peso, entonces otra gaussiana sería eliminada del modelo de fondo.
Un autovector (o vector propio) es aquel que no se ve afectado por las transformaciones lineales y que en cualquier caso no varía su dirección a pesar de ser multiplicado por un escalar.
Asimismo, un autovalor (o valor propio) será aquel escalar por el que se multiplica el autovector asociado.
Este método, al contrario que el métodos anteriores que se basan en datos estadísticos del píxel, se basa en datos estadísticos de la escala de grises sobre el tiempo.
Es una técnica más sencilla y rápida pero pierde precisión y es dificultoso trabajar con datos en tiempo real dado el alto coste computacional del algoritmo.
La mayoría de métodos actuales utilizan las diferentes técnicas mencionadas anteriormente combinadas.
Múltiples aplicaciones en el ámbito de la seguridad vial y el tráfico en general.
Hay múltiples aplicaciones relacionadas con este tópico, aunque la que más destaca es el reconocimiento de gestos ya que permite una interacción con máquinas y un enfoque a la vivienda inteligente.
En la compresión de datos y más concreto en este caso, la codificación de imagen y video es común tratar codificar con más bits aquellas regiones de una imagen que son más importantes para la visión humana.