一. 机器学习方法（聚类）
-
GMM（Gaussian mixture model）
-
开源实现
-
cv2.createBackgroundSubtractorMOG2()
- 一个简单开源实例
-
-
特点：受到图像序列的时序影响，当人物移动时，人物的移动轨迹容易在背景上留下ghost，消解速度较慢，处理一帧的时间大约在20ms内（320 * 240， 2GHz， 2004）
-
评价：实现难度低，满足无绿幕去背景要求，但效果不理想。
-
K-NN（K-Nearest Neigbours ）
- 论文信息：Zivkovic Z, Van Der Heijden F. Efficient adaptive density estimation per image pixel for the task of background subtraction[J]. Pattern recognition letters, 2006, 27(7): 773-780.
- 开源实现：
-
cv2.createBackgroundSubtractorKNN()
-
- 特点：对前一种方法进行了改进，使得细节处理效果较好，并且对复杂画面（树与背景）的处理效果更好，对人像的效果有待对比。
- 评价：实现难度低，满足无背景要求，在更复杂的场景下比方案1有一定的提升。
-
ViBe
- 论文信息：Barnich O, Van Droogenbroeck M. ViBe: A universal background subtraction algorithm for video sequences[J]. IEEE Transactions on Image processing, 2010, 20(6): 1709-1724.
- 开源实现：
- 特点：只需要一帧图像即可完成初始化，采用随即替换更新样本值，计算量小，处理速度快，ghost消融速度快，应对噪声稳定
- 评价：在运动物体检测及前景背景分离中表现良好，但对于主播拍摄场景下的主播与运动物体的判定效果不确定
-
A method from Hao-Zhi Huang
- 论文信息：Huang H, Fang X, Ye Y, et al. Practical automatic background substitution for live video[J]. Computational Visual Media, 2017, 3(3): 273-284.
- 开源实现：暂无
- 特点：使用色线模型对北京切割的高斯混合模型进行了改进，使用Alpha遮罩细化分割边界，添加了自动前景颜色调整的步骤。性能：640*480， Intel 3.4 GHz Core i7-3770， 10fps（仅cpu），可以通过GPU并行化以实时帧速率运行。
- 效果展示（来自论文附件）：41095_2016_74_MOESM1_ESM.mp4
- 评价：满足我们的场景，并拥有相对可以接受的性能。性能瓶颈主要在alpha遮罩上，如果不使用alpha遮罩细化边框可以拥有更好的性能。
二. 深度学习方法（实时语义分割）
实时语义分割有ENet，ICNet，BiSeNet等，主要是神经网络结构上的区别，性能要求均较高，在此选择其中一个进行了解。
- ENet
- 论文信息：ENet: A Deep Neural Network Architecture for
Real-Time Semantic Segmentation - 开源实现：
- 特点：使用深度神经网络进行实时语义分割，是一个以在移动设备上运行为目标的网络，允许以更快，更高效的方式进行大规模计算。
- 评价：用于复杂场景的语义分割，相对主播去背景场景来说过于复杂，gpu性能要求高，实用性有待测试。
- 性能：
NVIDIA TX1 NVIDIA Titan X 480×320 640×360 1280×720 640×360 1280×720 1920×1080 ms fps ms fps ms fps ms fps ms fps ms fps 47 21.1 69 14.6 262 3.8 7 135.4 21 46.8 46 21.6 - 论文信息：ENet: A Deep Neural Network Architecture for