1 / 35

小组成员：李飞，赵晨丘，张婷婷

Modeling Pixel Process with Scale Invariant Local Patterns for Background Subtraction in Complex Scenes. 小组成员：李飞，赵晨丘，张婷婷. 报告人 ：李 飞. About the Author 关于 作者 简介. Sheng cai Liao （廖胜才） scliao@nlpr.ia.ac.cn 生物识别与安全技术 研究中心 & 国家模式识别实验室 , 自动化研究所 , 中科院机器视觉小组 , 芬兰奥卢大学访问

alika
Download Presentation

小组成员：李飞，赵晨丘，张婷婷

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Modeling Pixel Process with Scale Invariant Local Patterns for Background Subtraction in Complex Scenes 小组成员：李飞，赵晨丘，张婷婷 报告人：李飞

  2. About the Author 关于作者简介 Sheng cai Liao（廖胜才）scliao@nlpr.ia.ac.cn 生物识别与安全技术研究中心& 国家模式识别实验室, 自动化研究所, 中科院机器视觉小组, 芬兰奥卢大学访问 Computer Vision and Pattern Recognition (CVPR), 2010 IEEE Conference on Digital Object Identifier: 10.1109/CVPR.2010.5539817 Publication Year: 2010 , Cited by:  Papers (15) Shengcai Liao Assistant Professor,  Ph.D.

  3. About the text 文章被引用分析

  4. About the text 引用文献 A. Elgammal, R. Duraiswami, D. Harwood, L. S. Davis, R. Duraiswami, and D. Harwood. “Background and foreground modeling using nonparametric kernel density for visual surveillance”. In Proceedings of the IEEE, pages 1151– 1163, 2002. M. Heikkil¨ a, M. Pietik ¨ ainen, and J. Heikkil ¨ a. “A texture based method for detecting moving objects”. In British Machine Vision Conference, pages 187–196, 2004. C. Stauffer and W. Grimson. “Adaptive background mixture models for real-time tracking”. In Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1999.

  5. About the text structure 文章结构分析 1. Introduction 2. Scale Invariant Local Ternary Pattern 3. Kernel Density Estimation of Local Patterns 4. Modeling Background with Local Patterns 5. Experimental Results 6. Conclusion

  6. Abstract 摘要 • propose a scale invariant local ternary pattern operator, and show that it is effective for handling illumination variations • propose a pattern kernel density estimation（PKDE）technique to effectively model the probability distribution of local patterns in the pixel process • develop multimodal background models with the above techniques and a multiscalefusion scheme for handling complex dynamic backgrounds.

  7. Creation 创新点 • 论文“A texture based method for detecting moving objects” 不能很好的处理运动的阴影的问题 • 使用SILTP替代了LBP，获得了更好的鲁棒性 • 使用pattern kernel density estimation(PKDE) 代替直方图交集来表示背景相似度

  8. About the comment outline 讲解提纲 LBP， LTP，SILTP方法的比较 对背景进行建模 3. 分离前景和背景 4. 实验 5. 结论

  9. LBP， LTP，SILTP方法的比较 LBP

  10. LBP， LTP，SILTP方法的比较 LTP

  11. LBP， LTP，SILTP方法的比较 SILTP

  12. LBP， LTP，SILTP方法的比较 SILTP encodes as:

  13. LBP， LTP，SILTP方法的比较

  14. LBP， LTP，SILTP方法的比较

  15. LBP， LTP，SILTP方法的比较

  16. About the comment outline 讲解提纲 1.LBP， LTP，SILTP方法的提出 2. 对背景进行建模 3. 分离前景和背景 4. 实验 5. 结论

  17. 对背景进行建模 Kernel density estimation(KDE) 不需要对点样本分布的参数形 式做事先假设,仅从采样数据本 身就可对概率密度函数做出较 为精确鲁棒的估计,为未知分 布点样本的分析和建模提供了 一条新的解决思路

  18. 对背景进行建模 local texture patterns are not numerical values that have partial ordering relationships. most existing researches calculate region histograms of local patterns as numerical features The background subtraction using block-based LBP histograms loses some localization information, and generates a huge feature set

  19. 对背景进行建模 develop a pattern kernel density estimation (PKDE) technique with a particular local pattern kernel that is suitable for descriptors like LBP, LTP, and SILTP

  20. LBP， LTP，SILTP方法的比较 SILTP处理 得到一个二进制的数字10000001

  21. 对背景进行建模 经过SILTP处理，p是当前图像，q为背景图像 异或 d(p,q) = p xor q 得到的仍然是一个二进制的数字 然后使用一个权值函数（local pattern kernel）把这个二进制的数字转化成数值，一般是普通的高斯权值 核函数：Φ(p,q) = g(d(p,q))

  22. 对背景进行建模 Kernel density estimation(KDE) 不需要对点样本分布的参数形 式做事先假设,仅从采样数据本 身就可对概率密度函数做出较 为精确鲁棒的估计,为未知分 布点样本的分析和建模提供了 一条新的解决思路

  23. 对背景进行建模 得出背景的概率密度函数为:

  24. About the comment outline 讲解提纲 1.LBP， LTP，SILTP方法的提出 2. 对背景进行建模 3. 分离前景和背景 4. 实验 5. 结论

  25. 分离前景和背景 背景个数与权值的选取 M是背景的个数，为第k个背景的权值，考虑到计算机性能，M一般取3-5个

  26. 分离前景和背景 计算当前帧pt与第K个背景的相似度 Tm is a threshold parameter controlling the matching Once a match is found, the matched pdf is updated as Φ(pt,q)

  27. 背景权值的更新 is an indicator variable being 1 for the matched model and 0 otherwise If none of the K distributions matches the current pattern, the one with the lowest weight is replaced with a new distribution of f (q) = Φ(pt,q), and a low initial weight.

  28. 分离前景和背景 计算当前帧的概率值 公式为: P() = () 使用P() 对比，大于某一阈值时视为背景，否则视为前景 M是背景的个数，为第k个背景的权值，考虑到计算机性能，M一般取3-5个

  29. About the comment outline 讲解提纲 1.LBP， LTP，SILTP方法的提出 2. 对背景进行建模 3. 分离前景和背景 4. 实验 5. 结论

  30. 实验 目的:检测运动物体 方法:对背景建模，实时的更新背景，然后使用背景和当前图像运算。

  31. 实验

  32. About the comment outline 讲解提纲 1.LBP， LTP，SILTP方法的提出 2. 对背景进行建模 3. 分离前景和背景 4. 实验 5. 结论

  33. 总结 one single local texture pattern instead of region histogram is really enough for the background subtraction task achieved more than 10% improvement in accuracy compared to existing algorithms, with a speed of about two times faster than the standard mixture of Gaussian approach

  34. 展望未来工作 思考： • 用LDN具有方向性的直方图建模代替基于SILTP的像素点直方图，是否可以避免更多的噪声干扰。 • SILTP和PKDE除了用在背景建模方面，还可以用在目标检测和目标识别上面

  35. Thank you !!!

More Related