Movimiento De La Suma De Fondo Promedio

Subtracción de fondo usando el promedio de Gauss y el Diferencia de Marco Resumen Los métodos de substracción se usan de forma descontrolada para detectar objetos móviles de cámaras estáticas. Tiene muchas aplicaciones tales como monitoreo de tráfico, captura y reconocimiento de movimiento humano y vigilancia por video. Es difícil proponer un modelo de fondo que funcione bien en todas las situaciones diferentes. En realidad, no hay necesidad de proponer un modelo omnipresente es un buen modelo siempre y cuando funcione bien bajo una situación especial. En este trabajo, se propone un nuevo método que combina la Media Gaussiana y la Diferencia de Marco. La supresión de sombras no se trata específicamente, porque se considera que es parte del fondo, y se puede restar mediante el uso de un umbral adecuado. Por último, se plantea un nuevo método para rellenar pequeños espacios que pueden contener el primer plano detectado o los objetos en movimiento. Cucchiara, R. Piccardi, M. Prati, A. Detección de objetos en movimiento, fantasmas y sombras en secuencias de vídeo. IEEE Transactions on Analysis and Machine Intelligence 25 (10), 13371342 (2003) CrossRef Google Académico Wren, C. Azarhayejani, A. Darrell, T. Pentland, A. P. Explorador: seguimiento en tiempo real del cuerpo humano. IEEE Trans. En el patrón Anal. Y máquina Intell. 19 (7), 780785 (1997) CrossRef Google Scholar Lo, B. P.L. Velastin, S. A. Sistema automático de detección de congestión para plataformas subterráneas. En: Proc. ISOLP 2001, pp. 158161 (mayo 2001) Koller, D. Weber, J. Huang, T. Ma, J. Ogasawara, G. Rao, B. Russell, S. Hacia un análisis automático robusto de la escena del tráfico en tiempo real. En: Proc. La detección y localización de personas en imágenes de video utilizando la fusión adaptativa de información de color y borde. En: icpr, 15ª Conferencia Internacional sobre Reconocimiento de Patrones (ICPR 2000), vol. 4, pág. 4627 (2000) Cucchiara, R. Grana, C. Piccardi, M. Prati, A. Detección de objetos, sombras y fantasmas en secuencias de vídeo mediante la explotación de información de color y movimiento. En: 11ª Conferencia Internacional sobre Análisis y Procesamiento de Imágenes, pp. 360365 (26-28 de septiembre de 2001) Zang, Q. Klette, R. Robusta Restauración y Mantenimiento de Antecedentes. En: Actas de la 17ª Conferencia Internacional sobre el Reconocimiento de Patrones, Cambridge, Reino Unido, pp. 9093 (2004) Información sobre derechos de autor Springer-Verlag Berlin Heidelberg 2007 Autores y afiliaciones Zhen Tang 1 Zhenjiang Miao 1 Yanli Wan 1 1. Instituto de Ciencias de la Información, JiaoTong University, Beijing 100044 PR China Acerca de este libro ISBN 978-3-540-74872-4 ISBN 978-3-540-74873-1 Nombre del editor Springer, Berlin, HeidelbergSuperación de fondo para la cámara en movimiento: un enfoque geométrico Presentamos Un acercamiento geométrico a la resta de fondo para las cámaras que se mueven libremente. Introducimos un modelo de fondo 2.5D que describe la escena de fondo. El algoritmo no se basa en las restricciones sobre los movimientos de la cámara o la geometría de la escena. Los objetos en movimiento se detectan en escenas complejas con movimiento significativo de la cámara. Resumen La sustracción de fondo es una técnica comúnmente utilizada en la visión por ordenador para detectar objetos. Si bien existe una extensa bibliografía sobre la sustracción de fondo, la mayoría de los métodos existentes asumen que la cámara está inmóvil. Esta suposición limita su aplicabilidad a los escenarios de cámara en movimiento. En este artículo, nos acercamos al problema de sustracción de fondo desde una perspectiva geométrica para superar esta limitación. En particular, introducimos un modelo de fondo 2.5D que describe la escena en términos tanto de su aspecto como de su geometría. A diferencia de los métodos anteriores, el algoritmo propuesto no se basa en ciertos movimientos de la cámara o suposiciones sobre la geometría de la escena. La escena está representada como una pila de planos hipotéticos paralelos, cada uno de los cuales está asociado con una transformación homográfica. Un píxel que pertenece a una escena de fondo se correlaciona consistentemente entre los fotogramas consecutivos basados ​​en su transformación con respecto al planerdquoquotípico hipotético en el que se encuentra. Esta observación desambigua los objetos en movimiento desde el fondo. Los experimentos demuestran que el método propuesto, comparado con la literatura reciente, puede detectar con éxito objetos en movimiento en escenas complejas y con movimiento significativo de la cámara. Palabras clave Substracción de fondo Detección de objetos Movimiento de la cámara Geometría de la vista Este documento ha sido recomendado para su aceptación por Radu Horaud. Autor correspondiente. Dirección: 2017 Neil Ave. DL395, Columbus, OH 43210, Estados Unidos. Introducción La identificación de objetos en movimiento de una secuencia de vídeo es una tarea fundamental y crítica en muchas aplicaciones de visión artificial. Un enfoque común es realizar una resta de fondo, que identifica objetos en movimiento de la parte de un marco de video que difiere significativamente de un modelo de fondo. Hay muchos retos en el desarrollo de un buen algoritmo de sustracción de fondo. En primer lugar, debe ser robusto contra los cambios en la iluminación. En segundo lugar, debe evitar la detección de objetos de fondo no estacionarios tales como hojas en movimiento, lluvia, nieve y sombras emitidas por objetos en movimiento. Por último, su modelo de fondo interno debe reaccionar rápidamente a los cambios de fondo, como el arranque y la parada de los vehículos. Nuestra investigación comenzó con una comparación de varios algoritmos de sustracción de fondo para detectar vehículos en movimiento y peatones en secuencias de vídeo de tráfico urbano (Cheung y Kamath 2004). Se consideraron enfoques que varían desde técnicas simples como la diferenciación de tramas y el filtrado mediano adaptativo, hasta técnicas de modelado probabilísticas más sofisticadas. Mientras que las técnicas complicadas a menudo producen un rendimiento superior, nuestros experimentos muestran que técnicas simples como el filtrado mediano adaptativo pueden producir buenos resultados con una complejidad computacional mucho menor. Además, encontramos que pre-y post-procesamiento del video puede ser necesario para mejorar la detección de objetos en movimiento. Por ejemplo, mediante suavizado espacial y temporal, podemos eliminar la nieve de un video como se muestra en la Figura 1. Los objetos móviles pequeños, como mover las hojas en un árbol, pueden ser eliminados mediante el procesamiento morfológico de los marcos después de la identificación de los objetos en movimiento , Como se muestra en la Figura 2. Figura 1. Marco de video a la izquierda que muestra una escena de tráfico mientras nevaba. Observe las rayas en la imagen debido a los copos de nieve. El mismo cuadro de video después de la suavización espacial y temporal está a la derecha, sin las rayas de nieve. Figura 2. El marco de video a la izquierda destaca, en color rosa, los objetos detectados como móviles. Observe el movimiento de las hojas en los árboles en primer plano. El procesamiento morfológico limpia el cuadro de video como se muestra a la derecha. La tasa y el peso de las actualizaciones del modelo afectan en gran medida los resultados en primer plano. Los modelos de fondo de adaptación lenta no pueden superar rápidamente grandes cambios en el fondo de la imagen (como una nube que pasa sobre una escena). Esto da lugar a un período de tiempo en el que muchos píxeles de fondo se clasifican incorrectamente como píxeles de primer plano. Una velocidad de actualización lenta también tiende a crear una máscara de fantasma que arrastra el objeto real. Los modelos de fondo de adaptación rápida pueden ocuparse rápidamente de los cambios de fondo, pero fallan a velocidades de fotogramas bajas. También son muy susceptibles al ruido y al problema de apertura. Estas observaciones indican que un enfoque híbrido podría ayudar a mitigar los inconvenientes de cada uno. Hemos creado una nueva técnica de validación de primer plano que se puede aplicar a cualquier algoritmo de sustracción de fondo de adaptación lenta (Cheung y Kamath 2005). Los métodos de adaptación lenta producen máscaras relativamente estables y tienden a ser más inclusivos que los métodos de adaptación rápida. Como resultado, también pueden tener alta tasa de falsos positivos. La validación de primer plano examina además los píxeles de primer plano individuales en un intento de eliminar falsos positivos. Nuestro algoritmo obtiene primero una máscara de primer plano a partir de un algoritmo de adaptación lenta y luego valida los píxeles de primer plano mediante un modelo de objeto móvil simple construido con estadísticas de primer plano y de fondo, así como un algoritmo de adaptación rápida. Figura 3. Las mezclas de aproximación gaussiana (a) no son muy robustas a los cambios en la iluminación en comparación con el método propuesto (b). Los experimentos de tierra-verdad con secuencias de tráfico urbano han demostrado que nuestro algoritmo propuesto produce un rendimiento que es comparable o mejor que otras técnicas de substracción de fondo (Figura 4). Figura 4: Comparación de diferentes algoritmos. (A) Imagen original que muestra un coche que comienza a moverse después de estar parado por un tiempo. Primer plano detectado por (b) diferenciación de marco, (c) mediana aproximada, (d) mediana, (e) filtro de Kalman, (f) mezclas de Gaussianos, y (g) nuestro nuevo método con validación de primer plano. Agradecimientos Los videos utilizados en nuestro trabajo son del sitio web mantenido por KOGS-IAKS Universitaet Karlsruhe. Agradecemos su disposición a poner sus datos a disposición del público. Referencias Cheung, S.-C. Y C. Kamath, Robusta Restauración de Antecedentes con la Validación del Primer Plano para el Vídeo de Tráfico Urbano, Revista EURASIP sobre Procesamiento de Señal Aplicada, Volumen 14, pp 1-11, 2005. UCRL-JRNL-201916. Cheung, S.-C. Y C. Kamath, técnicas robustas para la sustracción de fondo en el tráfico de tráfico urbano, comunicaciones de video y procesamiento de imágenes, SPIE Electronic Imaging, San José, enero de 2004, UCRL-JC-153846-ABS, UCRL-CONF-200706 PDF.