本文的主要结果为MATLAB代码：
特征背景重温：我们能用特征向量建模背景吗？

全文电子期刊,arxiv链路,Supp公司

使用主导特征向量进行背景建模（通常称为特征背景）是文献中常用的技术。然而，它的结果受到明显的瑕疵的影响。因此，人们多次尝试通过对特征背景算法进行一些改进/增强来减少伪影。在本文中，我们表明特征背景的主要问题在于其自身的核心，实际上，使用最强的特征向量来建模背景并不是一个好主意。相反，我们提出了另一种解决方案，利用最弱的特征向量（通常被丢弃并作为垃圾数据处理）进行背景建模。

这些代码在Win10的MATLAB 2017和2018上进行了测试，但也适用于其他版本。

文件夹中最多的代码代码与有关“高速公路”视频，用于本文的许多实验结果。

本征背景是最强vs最弱的公路。米
该脚本生成了如本文图4所示的图像，背景模型使用最强和最弱的特征向量创建。RMSE是估计背景和地面真实背景之间的均方根误差。使用最强特征向量创建的背景具有较大的误差。

pca演示2_BG_rnd。米
此脚本生成图5。虽然MATLAB绘图输出可以保存在文件夹中，但代码/输出/PCA_vector_rnd，但为了获得更好的质量，此脚本将TikZ数据文件保存在上述文件夹中，稍后使用LaTeX代码创建图5的绘图：

特征_BG检测。米

该脚本使用与最强和最弱特征值相关的特征向量计算上述“高速公路”视频的特征背景。特征向量的默认数量为10，可以通过变量更改第页在脚本中。“高速公路”视频是320x240，这里的本征背景是在40x40个非重叠块中计算的。对于测试其他块大小，只需更改窗口大小变量。如果视频帧是方形的，则块大小可以视为视频的高度。如果要以块大小等于帧高度的方式运行程序，只需取消注释相应的命令即可调整输入视频的大小：avi（k）.cdata=im（1:240，1:240）。

通过运行此脚本，后台模型将被计算并保存在文件夹中代码/输出/公路，具有以下文件名：
强特征向量_BG.jpg：根据最强特征向量计算的背景模型
弱特征向量_BG.jpg：根据最弱特征向量计算的背景模型

此外，指定帧（默认为16）与计算背景的阈值差值也会保存为前景。这些图像也以以下名称保存在上述文件夹中：16_强特征向量_FG.jpg：根据最强特征向量计算的前景模型
16_弱特征向量_FG.jpg：根据最弱特征向量计算的前景模型

测试帧编号（16）和阈值可以更改。下表显示了结果：

第16帧	使用10个最强大特征向量的B/F	使用10个弱特征向量的B/F

如下图所示，选择了一个40x40的方块（用黄色方块表示）进行进一步研究：

WelfordAlg_Plot_norms公司。米

此脚本生成图8。与前面的脚本一样，此代码生成MATLAB绘图和TikZ绘图的数据：

ev _ sort _ highway _ err公司。米,ev_errs_shoppingMall。米

这些脚本生成图9-11中使用的图像。下图（本文中的图9）显示了公路视频30帧第一帧的特征背景误差。第一行显示重建误差，第二行显示背景估计误差。程序生成并保存的小图像，但手动添加。

pcaImagesVisGrid.m
该文件用于显示不同主成分子空间的效果，论文图12-14及其补充材料中的动画版本。对于“Highway”视频，结果保存在文件夹“code/output/Highway/uniformPoints”中。对于两个连续主分量（例如97和98）的每个组合，都会创建一个图像文件（97_98_gridImages.png），以显示帧在该空间中的分布：

此外，在上述文件夹中创建了一个名为97_98的文件夹，每个图像都单独保存以插入到纸张中。每个文件夹中的图像都以矩阵元素的形式编号，稍后可以在LaTeX中使用。例如，论文中的以下图像是由适当的LaTeX代码和上述文件夹中的图像生成的：

MATLAB plot和TikZ命令也将背景/前景实例演示为散点图，从而生成以下图像；注意，一些必需的信息保存为文本文件。

对于上面的图表，需要知道哪个帧属于背景，哪个帧属于前景。对于前面提到的40x40块“Highway”视频，这些类被手动标记，结果保存在代码/输入/BGSamplePixels_highway.mat.脚本代码/images/show_block。米加载并显示此块。此外，图3中显示的2个绿点保存在code/input/BG采样像素_highway_3pointsBGDetection.mat。

特征背景跳跃Mall_various_sizes。米

此脚本生成第4.4节的图形前景对象大小的影响。

使用VideoReader/init时出错（第601行）该文件需要安装以下编解码器在您的系统上：cvid公司