# abandoned-object-detection-algo

## 基于双背景混合高斯建模的遗留物检测

### 混合高斯建模

##### 基本原理：

假设数据由多个高斯分布的线性组合生成；

在视频图像中，利用一定数量的帧图像，为每个像素初始化**由多个高斯分布线性组合的模型**；

对于每个新的检测帧，通过比对与初始化模型差异，判断是否属于**前景**，再根据策略进行**背景更新**

##### 双背景建模：

图中左边部分描述了双背景建模、前景检测以及遗留物提取的过程

长时间背景（Long-Term background）：预设较慢的更新速度，使得大部分新增加的物体都会被认为是前景；

短时间背景（Short-Term background）：预设较快的更新速度，使得短暂静止的物体不会被检测为前景；

两者之差就认为是遗留物

![alt text](image.png)

##### 背景建模基本参数：

```cpp
double short_term_rate = 0.01; // short-term 更新速度
int short_term_history = 200; // short-term history 初始化所采用的帧数
double long_term_rate = 0.0005; // long-term 更新速度
int long_term_history = 5000; // long-term history 初始化所采用的帧数
```

##### 遗留物判断逻辑：

将每一个从双背景消除中提取出来的前景物，绘制一个候选框

为每一个候选框构建以下结构体

```cpp
struct proposal{
    int x, y, w, h;
    int life; // 生命周期，以帧为单位
    int status; // 状态，用于处理
};
```

1. 初始化proposal list;

2. 出现新的proposal时，设定life=10, status=0;

3. 将该proposal与list中的每个候选框进行iou匹配:

   ​	if iou < iou_threshold:

   ​		set proposal.status = -1;认为有重复

   ​		list[i].life++; list中重叠的候选框life+1，即重复出现一帧

   ​		if list[i].status==2: 

   ​			continue; 表明该框曾经被判定为遗留物，不需要再次检测

   ​		else: set list[i].status = 1；表明该框处于活跃状态

   if proposal.status==0;

   ​	list.push(proposal);

4. 遍历list:

   if list[i].status==1 and list[i].life > life_threshold: 认为该框存在一定时间，视为遗留物

   ​	detect(list[i]);

   ​	list[i].status=2;

   else:

   ​	list[i].life--

   ​	if list[i].life==0: 认为该框不活跃，即没有重复出现该候选框

   ​		list.erase(i); 移除