1 / 26

A Universal Background Subtraction Algorithm for Video Sequences

A Universal Background Subtraction Algorithm for Video Sequences. 作者 :Olivier Barnich and Marc Van Droogenbroeck 出處 :IEEE Transactions on image processing, VOL. 20, NO. 6, JUNE 2011. Outline. Introduction Review of background subtraction algorithms

gryta
Download Presentation

A Universal Background Subtraction Algorithm for Video Sequences

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. A Universal Background Subtraction Algorithm for Video Sequences 作者:Olivier Barnich and Marc Van Droogenbroeck 出處:IEEE Transactions on image processing, VOL. 20, NO. 6, JUNE 2011

  2. Outline • Introduction • Review of background subtraction algorithms • Description of a universal background subtraction technique: vibe • Experimental results

  3. 1. Introduction • 最基本的Background Subtraction就是在靜態的影像建立一個背景模型，讓目前影像每個pixel和背景模型相減。 • 背景相減應該要清除和移動物體無關的ghost。 • 靜態背景模型適合較短的室內影片，所以通常他只是用來了解場景的第一步。

  4. 2. Review of background subtraction algorithms • 高斯混合（Mixture of Gaussians）（MoG），不同於Kalman filter僅追蹤單一高斯分佈，MoG可以同時追蹤多個高斯分佈，由於MoG是參數式模型，所以不需另外的空間儲存一段影像資訊，而可以動態的更新背景模型的各個重要參數。 • Codebook 像素的碼本，是一個很長的圖像序列背景模型壓縮而成。每個碼本的碼字通過色彩誤差轉化而成。

  5. 3. Description of a universal background subtraction technique: vibe • background subtraction 主要有三個部分。 • 用甚麼當模型，模型是怎麼運作的。 • 模型初始狀態是怎麼樣。 • 模組是如何更新的。

  6. 3.1 Pixel Model and Classification Process • :N個背景模型的樣本。 • :在 點上取N個 pixel 的鄰居。 • 每個點會有N個色彩空間的樣本。

  7. 3.1 Pixel Model and Classification Process • : 定義一個圓形，半徑 R 中心在 。 • 如果大於閥值 則分類為背景。 • : 在 pixel 的 Euclideancolor space。

  8. 3.1 Pixel Model and Classification Process 一個pixel樣本在2-D Euclideancolor space(C1,C2)。

  9. 3.2Background Model Initialization From a Single Frame • 許多論文都需要一段時間初始化他們的模型。 • 許多應用都需要不斷的偵測前景，還有應付光線變化，能達到這兩件事就是要即時更新模型。 • 最好的方法就是使用單張影像就能初始化模型。

  10. 3.2Background Model Initialization From a Single Frame • : pixel x 空間上的鄰居。 • y 是 x 的鄰居。 • 這個方法唯一的缺陷就是如果移動物體在第一張影像就存在，就會產生ghost的問題，需要透過定期更新模組讓ghost淡化。

  11. 3.3Updating the Background Model Over Time • 更新的重點是背景模型中的樣本該保存多久，該怎麼被替換。 • 保守的更新 : 屬於前景的樣本絕對不會被更新到背景，這樣的更新方法會導致ghost永遠無法消除。 • 盲目的更新 : 樣本不確定是否為背景但更新到背景模型，這樣的更新如果有緩慢移動的物體會被歸類為背景。 • 本論文採取保守的更新。

  12. 3.3Updating the Background Model Over Time • 本論文更新機制分為三大重點 • Memoryless的更新方式，因為是採用機率刪除舊的背景模型。 • 隨機取樣，延長 time Window 在背景模型中。 • 不止取t時間的點當背景模型，也取空間上的點當背景模型。

  13. 3.3Updating the Background Model Over Time • 本論文不是系統的刪除舊的背景模型，而是根據機率密度函數刪除。

  14. 4. Experimental results • TP:true positives 正確偵測到前景 • FP:false positives 把背景分類到前景 • TN:true negatives 正確的分類背景 • FN:falsenegatives 前景分類到背景

  15. A. Determination of Our Own Parameters PCCfor ranging from 1 to 20

  16. A. Determination of Our Own Parameters Samples 多寡的PCC

  17. B. Comparison With Other Techniques (a) Input image. (b) Ground-truth. (c) ViBe (RGB). (d) ViBe (gray). (e) Bayesian histogram. (f) Codebook. (g) EGMM. (h) GMM. (i)Gaussian model. (j) First-order filter. (k) Sigma-Delta Z.

  18. B. Comparison With Other Techniques (a) Input image. (b) Ground-truth. (c) ViBe (RGB). (d) ViBe (gray). (e) Bayesian histogram. (f) Codebook. (g) EGMM. (h) GMM. (i)Gaussian model. (j) First-order filter. (k) Sigma-Delta Z.

  19. B. Comparison With Other Techniques house各個方法的PCC(2.67GHz Core i7 CPU , 6GB of RAM , C implementation)

  20. B. Comparison With Other Techniques pet各個方法的PCC(2.67GHz Core i7 CPU , 6GB of RAM , C implementation)

  21. B. Comparison With Other Techniques 各個方法在640X480的圖像上執行效率。 (2.67GHz Core i7 CPU , 6GB of RAM , C implementation)

  22. C. Faster Ghost Suppression • 快速的消除Ghost，假設framerate是30FPSΦ=1 只需要 2 秒就能消除， Φ= 64 需要 2分鐘。能消除Ghost是因為雜訊的關係。 • Bayesian histogram 對同樣的影像需要使用5秒的時間。

  23. D.Resistance to Camera Displacements • 在移動的攝影機上做背景前景切割

  24. D.Resistance to Camera Displacements • 在移動的監控攝影機上做背景前景切割。

  25. E. Resilience to Noise (a) Input image. (b) ViBe (RGB). (c) ViBe (grayscale). (d) GMM (e) Codebook. (f) Bayesian histogram. (g) EGMM (h) Gaussian model. (i) First order filter. (j) Sigma-Delta Zipf.

  26. Thank you

More Related