Detekce popředí - Foreground detection

Detekce popředí je jedním z hlavních úkolů v oblasti počítačové vidění a zpracování obrazu jehož cílem je detekovat změny v obrazových sekvencích. Odečítání pozadí je jakákoli technika, která umožňuje extrahovat popředí obrazu pro další zpracování (rozpoznávání objektů atd.).

Mnoho aplikací nemusí vědět vše o vývoji pohybu ve videosekvenci, ale vyžaduje pouze informace o změnách ve scéně, protože oblasti zájmu obrazu jsou objekty (lidé, automobily, text atd.) V jeho popředí. Po fázi předběžného zpracování obrazu (což může zahrnovat potlačení obrazu, post processing jako morfologie atd.) je nutná lokalizace objektu, která může tuto techniku využít.

Detekce popředí odděluje popředí od pozadí na základě těchto změn probíhajících v popředí. Jedná se o soubor technik, které obvykle analyzují videosekvence zaznamenané v reálný čas se stacionární kamerou.

Obrázek na pozadí a obrázek v popředí.

Popis

Všechny detekční techniky jsou založeny na modelování pozadí obrazu, tj. Nastavení pozadí a detekce, které změny nastanou. Definování pozadí může být velmi obtížné, pokud obsahuje tvary, stíny a pohyblivé objekty. Při definování pozadí se předpokládá, že stacionární objekty se mohou časem lišit barvou a intenzitou.

Scénáře, kde se tyto techniky používají, bývají velmi různorodé. Mohou existovat velmi variabilní sekvence, například obrázky s velmi odlišným osvětlením, interiéry, exteriéry, kvalitou a šumem. Kromě zpracování v reálném čase musí být systémy schopny se těmto změnám přizpůsobit.

Velmi dobrý systém detekce popředí by měl být schopen:

Vypracovat model pozadí (odhad).
Buďte robustní vůči změnám osvětlení, opakujícím se pohybům (listy, vlny, stíny) a dlouhodobým změnám.

Odečítání pozadí

Odečítání pozadí je pro široce používaný přístup detekce pohybujících se objektů ve videích ze statických kamer. Důvodem tohoto přístupu je detekce pohybujících se objektů z rozdílu mezi aktuálním rámcem a referenčním rámcem, často nazývaným „obrázek na pozadí“ nebo „model na pozadí“. Odečítání pozadí se většinou provádí, pokud je dotyčný obrázek součástí video streamu. Odečítání pozadí poskytuje důležité podněty pro řadu aplikací v počítačovém vidění, například pro sledování sledování nebo odhad lidské pozice.

Odečítání pozadí je obecně založeno na statické hypotéze pozadí, která často není použitelná v reálných prostředích. U scén v interiéru vedou odrazy nebo animované obrázky na obrazovkách ke změnám na pozadí. Podobně, kvůli větru, dešti nebo změnám osvětlení způsobeným počasím, mají metody statického pozadí potíže s venkovními scénami.^[1]

Časový průměrný filtr

Příklad dočasného průměrného filtru

The dočasný průměrný filtr je metoda, která byla navržena ve Velastinu. Tento systém odhaduje model pozadí z medián všech pixelů z řady předchozích obrázků. Systém používá vyrovnávací paměť s hodnotami pixelů posledních snímků k aktualizaci mediánu pro každý obrázek.

K modelování pozadí systém prozkoumá všechny obrázky v daném volaném časovém období čas tréninku. V tuto chvíli zobrazujeme pouze obrázky a tentokrát najdeme medián po pixelech všech grafů na pozadí.

Po tréninkovém období pro každý nový snímek je každá hodnota pixelu porovnána se vstupní hodnotou dříve vypočítaných prostředků. Pokud je vstupní pixel v prahové hodnotě, považuje se pixel za shodný s modelem pozadí a jeho hodnota je zahrnuta do pixbuf. Jinak, pokud je hodnota mimo tuto prahovou hodnotu, je pixel klasifikován jako popředí a není zahrnut do vyrovnávací paměti.

Tuto metodu nelze považovat za velmi efektivní, protože nepředstavuje přísný statistický základ a vyžaduje vyrovnávací paměť, která má vysoké výpočetní náklady.

Konvenční přístupy

Robustní algoritmus odčítání pozadí by měl být schopen zvládnout změny osvětlení, opakující se pohyby z nepořádku a dlouhodobé změny scény.^[2] Následující analýzy využívají funkce PROTI(X,y,t) jako videosekvence, kde t je časová dimenze, X a y jsou proměnné umístění pixelu. např. PROTI(1,2,3) je intenzita pixelu v (1,2) umístění pixelu obrazu na t = 3 ve videosekvenci.

Použití rozdílu snímků

Algoritmus detekce pohybu začíná segmentační částí, kde jsou popředí nebo pohybující se objekty segmentovány z pozadí. Nejjednodušší způsob, jak to implementovat, je pořídit obrázek jako pozadí a vzít snímky získané v časovém plánu označené I (t) pro srovnání s obrázkem pozadí označeným B. Zde pomocí jednoduchých aritmetických výpočtů můžeme objekty jednoduše rozdělit pomocí techniky odčítání obrazu počítačového vidění, což znamená pro každý pixel v I (t), vezměte hodnotu pixelu označenou P [I (t)] a odečtěte ji odpovídajícími pixely ve stejné poloze na pozadí zobrazeném jako P [B] .

V matematické rovnici se píše:

{ displaystyle P [F (t)] = P [I (t)] - P [B]}

Pozadí se považuje za snímek v čase t. Tento rozdílový obraz by ukazoval pouze určitou intenzitu pro umístění pixelů, které se změnily ve dvou rámcích. Ačkoli jsme zdánlivě odstranili pozadí, tento přístup bude fungovat pouze v případech, kdy se pohybují všechny pixely v popředí a všechny pixely pozadí jsou statické.^[2] Na tento rozdílový obraz je přidána prahová hodnota „Prahová hodnota“, aby se zlepšilo odčítání (viz Obrázek prahování ).

{ displaystyle | P [F (t)] - P [F (t + 1)] |> mathrm {Prahová hodnota}}

To znamená, že intenzity pixelů rozdílového obrazu jsou „prahovány“ nebo filtrovány na základě hodnoty prahu.^[3] Přesnost tohoto přístupu závisí na rychlosti pohybu ve scéně. Rychlejší pohyby mohou vyžadovat vyšší prahové hodnoty.

Střední filtr

Pro výpočet obrázku obsahujícího pouze pozadí se zprůměruje řada předchozích obrázků. Pro okamžitý výpočet obrázku na pozadít,

{ displaystyle B (x, y, t) = {1 nad N} součet _ {i = 1} ^ {N} V (x, y, t-i)}

kde N je počet předchozích snímků pořízených pro průměrování. Toto průměrování odkazuje na průměrování odpovídajících pixelů v daných obrázcích. N bude záviset na rychlosti videa (počet obrázků za sekundu ve videu) a rozsahu pohybu ve videu.^[4] Po výpočtu pozadí B(X,y,t) pak jej můžeme odečíst z obrázku PROTI(X,y,t) v čase t = ta práh. Takže popředí je

{ displaystyle | V (x, y, t) -B (x, y, t) |> mathrm {Th}}

kde Th je prahová hodnota. Podobně můžeme ve výše uvedeném výpočtu použít také medián místo průměru B(X,y,t).

Přesnost výše uvedených dvou přístupů může omezit použití globálních a časově nezávislých prahových hodnot (stejná hodnota Th pro všechny pixely v obraze).^[2]

Běžící Gaussův průměr

U této metody Wren et al.^[5] navrhnout vybavení a Gaussova funkce pravděpodobnostní hustoty (pdf) na nejnovější ${ displaystyle n}$ rámy. Aby se předešlo tomu, že by se soubor PDF při každém novém časovém úseku přizpůsobil úplně od začátku ${ displaystyle t}$ , je vypočítán průběžný (nebo online kumulativní) průměr.

PDF každého pixelu se vyznačuje znamenat ${ displaystyle mu _ {t}}$ a rozptyl ${ displaystyle sigma _ {t} ^ {2}}$ . Následuje možná počáteční podmínka (za předpokladu, že zpočátku je každý pixel pozadí):

{ displaystyle mu _ {0} = I_ {0}}

{ displaystyle sigma _ {0} ^ {2} = langle { text {nějaká výchozí hodnota}} rangle}

kde ${ displaystyle I_ {t}}$ je hodnota intenzity pixelu v čase ${ displaystyle t}$ . Abychom inicializovali rozptyl, můžeme například použít rozptyl v xay z malého okna kolem každého pixelu.

Pamatujte, že pozadí se může časem měnit (např. Kvůli změnám osvětlení nebo nestatickým objektům pozadí). Abychom této změně vyhověli, na každém snímku ${ displaystyle t}$ , průměr a rozptyl každého pixelu musí být aktualizovány následovně:

{ displaystyle mu _ {t} = rho I_ {t} + (1- rho) mu _ {t-1}}

{ displaystyle sigma _ {t} ^ {2} = d ^ {2} rho + (1- rho) sigma _ {t-1} ^ {2}}

{ displaystyle d = | (I_ {t} - mu _ {t}) |}

Kde ${ displaystyle rho}$ Určuje velikost dočasného okna, které se používá k přizpůsobení formátu PDF (obvykle ${ displaystyle rho = 0,01}$ ) a ${ displaystyle d}$ je euklidovská vzdálenost mezi průměrem a hodnotou pixelu.

Gaussova distribuce pro každý pixel.

Nyní můžeme pixel klasifikovat jako pozadí, pokud jeho aktuální intenzita leží v nějakém interval spolehlivosti střední hodnoty jeho distribuce:

{ displaystyle { frac {| (I_ {t} - mu _ {t}) |} { sigma _ {t}}}> k longrightarrow { text {popředí}}}

{ displaystyle { frac {| (I_ {t} - mu _ {t}) |} { sigma _ {t}}} leq k longrightarrow { text {pozadí}}}

kde parametr ${ displaystyle k}$ je bezplatná prahová hodnota (obvykle ${ displaystyle k = 2,5}$ ). Větší hodnota pro ${ displaystyle k}$ umožňuje dynamičtější pozadí, zatímco menší ${ displaystyle k}$ zvyšuje pravděpodobnost přechodu z pozadí do popředí kvůli jemnějším změnám.

Ve variantě metody se distribuce pixelu aktualizuje, pouze pokud je klasifikována jako pozadí. To zabrání vyblednutí nově zavedených objektů v popředí do pozadí. Vzorec aktualizace pro průměr se odpovídajícím způsobem změní:

{ displaystyle mu _ {t} = M mu _ {t-1} + (1-M) (I_ {t} rho + (1- rho) mu _ {t-1})}

kde ${ displaystyle M = 1}$ když ${ displaystyle I_ {t}}$ je považován za popředí a ${ displaystyle M = 0}$ v opačném případě. Takže když ${ displaystyle M = 1}$ , to znamená, že když je pixel detekován jako popředí, průměr zůstane stejný. Výsledkem je, že jakmile se pixel stane popředím, může se znovu stát pozadím pouze tehdy, když se hodnota intenzity přiblíží tomu, co byla před otočením popředí. Tato metoda má však několik problémů: Funguje pouze v případě, že všechny pixely jsou původně pixely na pozadí (nebo jsou pixely v popředí jako takové anotovány). Rovněž se nedokáže vyrovnat s postupnými změnami pozadí: Pokud je pixel příliš dlouho kategorizován jako popředí, mohla se změnit intenzita pozadí v daném místě (protože se změnilo osvětlení atd.). Výsledkem je, že jakmile objekt popředí zmizí, nová intenzita pozadí již nemusí být jako taková rozpoznána.

Modely směsí pozadí

Metoda Směs Gaussianových metod se modeluje každý pixel jako směs Gaussianů a pro aktualizaci modelu se používá on-line aproximace. V této technice se předpokládá, že hodnoty intenzity každého pixelu ve videu lze modelovat pomocí a Gaussův model směsi.^[6] Jednoduchá heuristika určuje, které intenzity jsou pravděpodobně pozadí. Pak se pixely, které se s nimi neshodují, nazývají pixely v popředí. Pixely v popředí jsou seskupeny pomocí 2D připojená součást analýza.^[6]

Kdykoli t, určitý pixel ( ${ displaystyle x_ {0}, y_ {0}}$ ) je historie

{ displaystyle X_ {1}, ldots, X_ {t} = {V (x_ {0}, y_ {0}, i): 1 leqslant i leqslant t }}

Tato historie je modelována směsí K. Gaussovy distribuce:

{ displaystyle P (X_ {t}) = součet _ {i = 1} ^ {K} omega _ {i, t} N doleva (X_ {t} mid mu _ {i, t}, Sigma _ {i, t} vpravo)}

kde

{ displaystyle N left (X_ {t} mid mu _ {it}, Sigma _ {i, t} right) = { dfrac {1} {(2 pi) ^ {D / 2} }} {1 over | Sigma _ {i, t} | ^ {1/2}} exp left (- {1 over 2} (X_ {t} - mu _ {i, t}) ^ {T} Sigma _ {i, t} ^ {- 1} vlevo (X_ {t} - mu _ {i, t} vpravo) vpravo)}

Nejprve je každý pixel charakterizován svou intenzitou v barevném prostoru RGB. Pravděpodobnost pozorování aktuálního pixelu je pak dána následujícím vzorcem ve vícerozměrném případě

{ displaystyle P (X_ {t}) = součet _ {i = 1} ^ {K} omega _ {i, t} eta vlevo (X_ {t} , mu _ {i, t} , Sigma _ {i, t} vpravo)}

Kde K je počet distribucí, ω je váha spojená s i-tou Gaussian v čase t a µ, Σ jsou střední hodnota a standardní odchylka uvedeného Gaussian.

{ displaystyle eta left (X_ {t} , mu _ {i, t}, Sigma _ {i, t} right) = { dfrac {1} {(2 / pi) ^ {n / 2} Sigma _ {i, t} ^ {0,5}}} exp left (- {1 nad 2} (X_ {t} - mu _ {i, t}) Sigma _ {i, t} left (X_ {t} - mu _ {i, t} right) right)}

Jakmile je provedena inicializace parametrů, lze provést první detekci popředí, poté se parametry aktualizují. První B Gaussovo rozdělení, které přesahuje prahovou hodnotu T je zachován pro distribuci na pozadí

{ displaystyle B = operatorname {argmin} left ( Sigma _ {i-1} ^ {B} omega _ {i, t}> T right)}

Ostatní distribuce se považují za distribuci v popředí. Pak, když nový rám občas přijde ${ displaystyle t + 1}$ , je z každého pixelu vytvořen test shody. Pixel odpovídá gaussovské distribuci, pokud Mahalanobisova vzdálenost

{ displaystyle left ( left (X_ {t + 1} - mu _ {t + 1} right) ^ {T} Sigma _ {i-1} ^ {b} left (X_ {t + 1} - mu _ {t + 1} vpravo) vpravo) ^ {0,5}

kde k je konstantní prahová hodnota rovná ${ displaystyle 2.5}$ . Pak mohou nastat dva případy:

Případ 1: Nalezne se shoda s jedním z k Gaussové. U spárované komponenty se aktualizace provádí následujícím způsobem^[7]

{ displaystyle sigma _ {i, t + 1} ^ {2} = doleva (1- rho doprava) sigma _ {i, t} ^ {2} + rho doleva (X_ {x + 1} - mu _ {x + 1} right) left (X_ {x + 1} - mu _ {x + 1} right) ^ {T}}

Power a Schoonees [3] použili stejný algoritmus k segmentaci popředí obrazu

{ displaystyle sigma _ {i, t + 1} = doleva (1- alfa doprava) omega _ {i, t} + alfa P doleva (k mid X_ {t}, varphi že jo)}

Základní přiblížení k ${ displaystyle P left (k mid X_ {t}, varphi right)}$ darováno ${ displaystyle M_ {k, t}}$ ^[8]

{ displaystyle M_ {k, t} = { begin {cases} 1 & { text {match}}, 0 & { text {jinak}}. end {cases}}}

Případ 2: Nebyla nalezena shoda s žádným z ${ displaystyle K}$ Gaussové. V tomto případě nejméně pravděpodobné rozdělení ${ displaystyle K}$ je nahrazen novým s parametry

{ displaystyle k_ {i.t} = { text {nízká váha}}}

{ displaystyle mu _ {i, t + 1} = X_ {t + 1}}

{ displaystyle sigma _ {i.t + 1} ^ {2} = { text {velká počáteční odchylka}}}

Jakmile je provedena údržba parametrů, může být provedena detekce popředí atd. On-line K-znamená aproximace se používá k aktualizaci Gaussianů. Četná vylepšení této původní metody vyvinuté Staufferem a Grimsonem ^[6] byly navrženy a kompletní průzkum lze nalézt v Bouwmans et al.^[7] Standardní metodou adaptivního pozadí je zprůměrování obrazů v čase a vytvoření aproximace pozadí, která je podobná aktuální statické scéně, kromě případů, kdy dochází k pohybu.

Průzkumy

Několik průzkumů týkajících se kategorií nebo podkategorií modelů lze nalézt následovně:

Odečtení pozadí MOG ^[7]
Odčítání pozadí podprostorového učení ^[9]
Statistické odečtení pozadí ^[10]^[11]
Odečtení fuzzy pozadí ^[12]
Odečet pozadí RPCA^[13] (Vidět Robustní analýza hlavních komponent Více podrobností)
Dynamický RPCA pro oddělení pozadí / popředí ^[14] (Vidět Robustní analýza hlavních komponent Více podrobností)
Dekompozice na nízkořadé a aditivní matice pro separaci pozadí / popředí ^[15]
Koncepty hlubokých neuronových sítí pro odečítání pozadí ^[16]
Tradiční a nedávné přístupy k odečítání pozadí ^[17]^[18]

Aplikace

Video dohled
Optický zachycení pohybu
Interakce člověka s počítačem
Kódování videa na základě obsahu
Monitorování provozu
Pohyb v reálném čase rozpoznávání gest

Další informace naleznete na ^[19]

Viz také

Reference

^ Piccardi, M. (2004). „Techniky odčítání pozadí: recenze“ (PDF). 2004 Mezinárodní konference IEEE o systémech, člověku a kybernetice. 3099–3104. doi:10.1109 / icsmc.2004.1400815. ISBN 0-7803-8567-5.
^ ^A ^b ^C Tamersoy, B. (29. září 2009). „Odečet pozadí - poznámky k přednášce“ (PDF). University of Texas v Austinu.
^ Lu, N .; Wang, J .; Wu, Q .; Yang, L. (únor 2012). Vylepšená metoda detekce pohybu pro sledování v reálném čase. CiteSeerX 10.1.1.149.33.
^ Benezeth, Y .; Jodoin, P.M .; Emile, B .; Laurent, H .; Rosenberger, C. (2008). „Kontrola a hodnocení běžně implementovaných algoritmů odčítání pozadí“ (PDF). 2008 19. mezinárodní konference o rozpoznávání vzorů (PDF). s. 1–4. doi:10.1109 / ICPR.2008.4760998. ISBN 978-1-4244-2174-9.
^ Wren, C.R .; Azarbayejani, A .; Darrell, T .; Pentland, A.P. (1997). „Pfinder: Sledování lidského těla v reálném čase“ (PDF). Transakce IEEE na analýze vzorů a strojové inteligenci. 19 (7): 780–785. doi:10.1109/34.598236. hdl:1721.1/10652.
^ ^A ^b ^C Stauffer, C .; Grimson, W.E.L. (1999). „Adaptivní modely směsi pozadí pro sledování v reálném čase“ (PDF). Sborník z konference IEEE Computer Society o počítačovém vidění a rozpoznávání vzorů z roku 1999. 246–252. doi:10.1109 / CVPR.1999.784637. ISBN 0-7695-0149-4.
^ ^A ^b ^C Bouwmans, T .; El Baf, F .; Vachon, B. (listopad 2008). „Modelování na pozadí pomocí směsi Gaussianů pro detekci popředí - průzkum“. Nedávné patenty na informatiku. 1 (3): 219–237. CiteSeerX 10.1.1.324.22. doi:10.2174/2213275910801030219.
^ Moc, P .; Schoonees, J. (2002). „Porozumění modelům směsi pozadí pro segmentaci v popředí“ (PDF). Proceedings Image and Vision Computing New Zealand 2002. 267–271.
^ Bouwmans, Thierry (listopad 2009). „Subprostorové učení pro modelování na pozadí: průzkum“. Nedávné patenty na informatiku. 2 (3): 223–234. doi:10.2174/1874479610902030223.
^ Chen, C. H. (2009). Příručka rozpoznávání vzorů a počítačového vidění. 181–199. doi:10.1142/7297. ISBN 978-981-4273-38-1.
^ Bouwmans, Thierry (září 2011). „Nedávné pokročilé statistické modelování pozadí pro detekci popředí: systematický průzkum“. Nedávné patenty na informatiku. 4 (3): 147–176. doi:10.2174/1874479611104030147.
^ Bouwmans, Thierry (2012). Msgstr "Odečet pozadí pro vizuální dohled". Příručka o soft computingu pro video dohled. Série kryptografie a zabezpečení sítě Chapman & Hall / CRC. 103–138. ISBN 978-1-4398-5684-0.
^ Bouwmans, Thierry; Zahzah, El Hadi (2014). „Robustní PCA prostřednictvím výkonu hlavních komponent: Recenze pro komparativní vyhodnocení ve video dohledu“. Počítačové vidění a porozumění obrazu. 122: 22–34. doi:10.1016 / j.cviu.2013.11.009.
^ Vaswani, Namrata; Bouwmans, Thierry; Javed, Sajid; Narayanamurthy, Praneeth (2018). „Robustní subprostorové učení: Robustní PCA, Robustní sledování subprostoru a Robustní zotavení podprostoru“. IEEE Signal Processing Magazine. 35 (4): 32–55. arXiv:1711.09492. Bibcode:2017arXiv171109492V. doi:10.1109 / MSP.2018.2826566.
^ Bouwmans, Thierry; Sobral, Andrews; Javed, Sajid; Jung, brzy Ki; Zahzah, El-Hadi (2017). „Dekompozice na matice s nízkým hodnocením a aditivní matice pro separaci pozadí / popředí: recenze pro komparativní vyhodnocení s rozsáhlou datovou sadou“. Recenze informatiky. 23: 1–71. arXiv:1511.01245. doi:10.1016 / j.cosrev.2016.11.001.
^ Vaswani, Namrata; Bouwmans, Thierry; Javed, Sajid; Narayanamurthy, Praneeth (2018). "Koncepty hluboké neurální sítě pro odečítání pozadí: systematický přehled a srovnávací hodnocení". arXiv:1811.05255 [cs.CV ].
^ Bouwmans, T. (2014-07-25). "Tradiční přístupy při modelování na pozadí pro statické kamery". Modelování na pozadí a detekce popředí pro video dohled. CRC Press. ISBN 9781482205374.
^ Bouwmans, T. (2014-07-25). "Nedávné přístupy v modelování na pozadí pro statické kamery". Modelování na pozadí a detekce popředí pro video dohled. CRC Press. ISBN 9781482205374.
^ Bouwmans, T .; Garcia-Garcia, B. (2019). "Odečet pozadí v reálných aplikacích: výzvy, současné modely a budoucí směry". arXiv:1901.03577 [cs.CV ].

Srovnání

V literatuře lze nalézt několik srovnávacích / hodnotících článků:

A. Sobral, A. Vacavant. "Komplexní přehled algoritmů pro odečítání pozadí vyhodnocených pomocí syntetických a skutečných videí ". Počítačové vidění a porozumění obrazu, CVIU 2014, 2014.
A. Shahbaz, J. Hariyono, K. Jo, "Vyhodnocení algoritmů odčítání pozadí pro video dohled ", FCV 2015, 2015.
Y. Xu, J. Dong, B. Zhang, D. Xu, "Metody modelování na pozadí ve videoanalýze: recenze a srovnávací hodnocení ', CAAI Transaction on Intelligence Technology, strany 43–60, svazek 1, vydání 1, leden 2016.

Knihy

T. Bouwmans, F. Porikli, B. Horferlin, A. Vacavant, Příručka „Modelování pozadí a detekce popředí pro video dohled: tradiční a nedávné přístupy, implementace, srovnávání a hodnocení“, CRC Press, Taylor and Francis Group, červen 2014. (Další informace: http://www.crcpress.com/product/isbn/9781482205374 )
T. Bouwmans, N. Aybat a E. Zahzah. Příručka o robustním rozkladu nízkých a řídkých matic: Aplikace ve zpracování obrazu a videa, CRC Press, Taylor and Francis Group, květen 2016. (Další informace: http://www.crcpress.com/product/isbn/9781498724623 )

Časopisy

T. Bouwmans, L. Davis, J. Gonzalez, M. Piccardi, C. Shan, zvláštní vydání k tématu „Modelování na pozadí pro detekci popředí v dynamických scénách v reálném světě ", Zvláštní vydání v Strojové vidění a aplikace, Červenec 2014.
A. Vacavant, L. Tougne, T. Chateau, zvláštní sekce o "Porovnání modelů na pozadí ", Počítačové vidění a porozumění obrazu, CVIU 2014, květen 2014.
A. Petrosino, L. Maddalena, T. Bouwmans, zvláštní vydání k "Modelování a inicializace pozadí scény ", Písmena pro rozpoznávání vzorů, Září 2017.
T. Bouwmans, zvláštní vydání k “Detekce pohybujících se objektů ", MDPI Journal of Imaging, 2018.

Workshopy

Seminář o učení pro detekci a sledování z videí RGB (RGBD 2017) Workshop ve spojení s ICIAP 2017. (Další informace: http://rgbd2017.na.icar.cnr.it/ )
Workshop Scene Background Modeling and Initialization (SBMI 2015) ve spojení s ICIAP 2015. (Další informace: http://sbmi2015.na.icar.cnr.it/ )
Workshop IEEE Change Detection ve spojení s CVPR 2014. (Další informace: http://www.changedetection.net/ )
Workshop o výzvách modelu pozadí (BMC 2012) ve spojení s ACCV 2012. (Další informace: http://bmc.iut-auvergne.com/ )

Soutěže

Soutěž IEEE Scene Background Modeling Contest (SBMC 2016) ve spojení s ICPR 2016 (Další informace: http://pione.dinf.usherbrooke.ca/sbmc2016/ )

externí odkazy

Webové stránky

Web Odčítání pozadí

The Web pro odečítání pozadí (T. Bouwmans, Univ. La Rochelle, Francie) obsahuje komplexní seznam odkazů v oboru a odkazy na dostupné datové sady a software.

Datové sady

ChangeDetection.net (Další informace: http://www.changedetection.net/ )
Výzva modelů na pozadí (Další informace: http://bmc.iut-auvergne.com/ )
Stuttgartská sada pro odčítání umělého pozadí (Další informace: http://www.vis.uni-stuttgart.de/index.php?id=sabs )
Datová sada SBMI (Další informace: http://sbmi2015.na.icar.cnr.it/ )
Datová sada SBMnet (Další informace: http://pione.dinf.usherbrooke.ca/dataset/ )

Knihovny

BackgroundSubtractorCNT

Knihovna BackgroundSubtractorCNT implementuje velmi rychlý a vysoce kvalitní algoritmus napsaný v C ++ založený na OpenCV. Je zaměřen na hardware s nízkou specifikací, ale funguje stejně rychle i na moderních Linuxech a Windows. (Pro více informací: https://github.com/sagi-z/BackgroundSubtractorCNT ).

Knihovna BGS

Knihovna BGS (A. Sobral, Univ. La Rochelle, Francie) poskytuje rámec C ++ pro provádění algoritmů odčítání pozadí. Tento kód funguje buď na Windows, nebo na Linuxu. V současné době knihovna nabízí více než 30 algoritmů BGS. (Pro více informací: https://github.com/andrewssobral/bgslibrary )

Knihovna LRS - Nízkoprofilové a řídké nástroje pro modelování a odečítání pozadí ve videích LRSLibrary (A. Sobral, Univ. La Rochelle, Francie) poskytuje v MATLABu sbírku algoritmů nízkého a řídkého rozkladu. Knihovna byla navržena pro segmentaci pohybu ve videích, ale lze ji také použít nebo přizpůsobit pro jiné problémy s počítačovým viděním. V současné době LRSLibrary obsahuje více než 100 maticových a tenzorových algoritmů. (Pro více informací: https://github.com/andrewssobral/lrslibrary )
OpenCV - knihovna OpenCV poskytuje řadu segmentace pozadí / popředí algoritmy.

[Piccardi-1] Piccardi, M. (2004). „Techniky odčítání pozadí: recenze“ (PDF). 2004 Mezinárodní konference IEEE o systémech, člověku a kybernetice. 3099–3104. doi:10.1109 / icsmc.2004.1400815. ISBN 0-7803-8567-5.

[cs.utexas-2] A ^b ^C Tamersoy, B. (29. září 2009). „Odečet pozadí - poznámky k přednášce“ (PDF). University of Texas v Austinu.

[Advanced_Motion_Detection-3] Lu, N .; Wang, J .; Wu, Q .; Yang, L. (únor 2012). Vylepšená metoda detekce pohybu pro sledování v reálném čase. CiteSeerX 10.1.1.149.33.

[4] Benezeth, Y .; Jodoin, P.M .; Emile, B .; Laurent, H .; Rosenberger, C. (2008). „Kontrola a hodnocení běžně implementovaných algoritmů odčítání pozadí“ (PDF). 2008 19. mezinárodní konference o rozpoznávání vzorů (PDF). s. 1–4. doi:10.1109 / ICPR.2008.4760998. ISBN 978-1-4244-2174-9.

[5] Wren, C.R .; Azarbayejani, A .; Darrell, T .; Pentland, A.P. (1997). „Pfinder: Sledování lidského těla v reálném čase“ (PDF). Transakce IEEE na analýze vzorů a strojové inteligenci. 19 (7): 780–785. doi:10.1109/34.598236. hdl:1721.1/10652.

[StaufferGrimson-6] A ^b ^C Stauffer, C .; Grimson, W.E.L. (1999). „Adaptivní modely směsi pozadí pro sledování v reálném čase“ (PDF). Sborník z konference IEEE Computer Society o počítačovém vidění a rozpoznávání vzorů z roku 1999. 246–252. doi:10.1109 / CVPR.1999.784637. ISBN 0-7695-0149-4.

[Bouwmans-7] A ^b ^C Bouwmans, T .; El Baf, F .; Vachon, B. (listopad 2008). „Modelování na pozadí pomocí směsi Gaussianů pro detekci popředí - průzkum“. Nedávné patenty na informatiku. 1 (3): 219–237. CiteSeerX 10.1.1.324.22. doi:10.2174/2213275910801030219.

[P._Wayne_Power-8] Moc, P .; Schoonees, J. (2002). „Porozumění modelům směsi pozadí pro segmentaci v popředí“ (PDF). Proceedings Image and Vision Computing New Zealand 2002. 267–271.

[Bouwmans1-9] Bouwmans, Thierry (listopad 2009). „Subprostorové učení pro modelování na pozadí: průzkum“. Nedávné patenty na informatiku. 2 (3): 223–234. doi:10.2174/1874479610902030223.

[Bouwmans2-10] Chen, C. H. (2009). Příručka rozpoznávání vzorů a počítačového vidění. 181–199. doi:10.1142/7297. ISBN 978-981-4273-38-1.

[Bouwmans3-11] Bouwmans, Thierry (září 2011). „Nedávné pokročilé statistické modelování pozadí pro detekci popředí: systematický průzkum“. Nedávné patenty na informatiku. 4 (3): 147–176. doi:10.2174/1874479611104030147.

[Bouwmans4-12] Bouwmans, Thierry (2012). Msgstr "Odečet pozadí pro vizuální dohled". Příručka o soft computingu pro video dohled. Série kryptografie a zabezpečení sítě Chapman & Hall / CRC. 103–138. ISBN 978-1-4398-5684-0.

[Bouwmans6-13] Bouwmans, Thierry; Zahzah, El Hadi (2014). „Robustní PCA prostřednictvím výkonu hlavních komponent: Recenze pro komparativní vyhodnocení ve video dohledu“. Počítačové vidění a porozumění obrazu. 122: 22–34. doi:10.1016 / j.cviu.2013.11.009.

[Vaswani-14] Vaswani, Namrata; Bouwmans, Thierry; Javed, Sajid; Narayanamurthy, Praneeth (2018). „Robustní subprostorové učení: Robustní PCA, Robustní sledování subprostoru a Robustní zotavení podprostoru“. IEEE Signal Processing Magazine. 35 (4): 32–55. arXiv:1711.09492. Bibcode:2017arXiv171109492V. doi:10.1109 / MSP.2018.2826566.

[Bouwmans7-15] Bouwmans, Thierry; Sobral, Andrews; Javed, Sajid; Jung, brzy Ki; Zahzah, El-Hadi (2017). „Dekompozice na matice s nízkým hodnocením a aditivní matice pro separaci pozadí / popředí: recenze pro komparativní vyhodnocení s rozsáhlou datovou sadou“. Recenze informatiky. 23: 1–71. arXiv:1511.01245. doi:10.1016 / j.cosrev.2016.11.001.

[Bouwmans2019-2-16] Vaswani, Namrata; Bouwmans, Thierry; Javed, Sajid; Narayanamurthy, Praneeth (2018). "Koncepty hluboké neurální sítě pro odečítání pozadí: systematický přehled a srovnávací hodnocení". arXiv:1811.05255 [cs.CV ].

[TBouwmans1-17] Bouwmans, T. (2014-07-25). "Tradiční přístupy při modelování na pozadí pro statické kamery". Modelování na pozadí a detekce popředí pro video dohled. CRC Press. ISBN 9781482205374.

[TBouwmans2-18] Bouwmans, T. (2014-07-25). "Nedávné přístupy v modelování na pozadí pro statické kamery". Modelování na pozadí a detekce popředí pro video dohled. CRC Press. ISBN 9781482205374.

[Bouwmans2019-19] Bouwmans, T .; Garcia-Garcia, B. (2019). "Odečet pozadí v reálných aplikacích: výzvy, současné modely a budoucí směry". arXiv:1901.03577 [cs.CV ].

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]