基于二层背景模型和直方图相似性的鬼影检测与去除
摘要
1.简介
2.方法
2.1. 基于样本的两层背景模型及背景/前景分类
2.2. 第二类幽灵的检测和清除
2.3. 后台模型更新
2.4. 参数分析
2.4.1. LBSP的相似性阈值
2.4.2. 距离阈值
2.4.3. 时间子采样因子
3.实验分析
3.1. 数据集和评估指标
3.2. 讨论
3.2.1. 如何确定 和
3.2.2. 阈值性能分析
3.3、。 实验结果
3.3.1. 去除鬼影
3.3.2. CDnet2014数据集的平均性能
3.3.3。 处理速度
4.结论
作者贡献
基金
利益冲突
工具书类
柯林斯,R.T。; A.J.利普顿。; Kanade,T。; Fujiyoshi,H。; Duggins,D。; Tsin,Y。; 托利弗,D。; Enomoto,N。; O.长谷川。; 伯特·P。; 等。 视频监控系统 ; 卡内基·梅隆大学出版社:宾夕法尼亚州匹兹堡,美国,2000年。 [ 谷歌学者 ] Sivaraman,S。; Trivedi,M.M.看着路上的车辆:基于视觉的车辆检测、跟踪和行为分析调查。 IEEE传输。 智力。 运输。 系统。 2013 , 14 , 1773–1795. [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] 西苏丹。; 陈,C。; Shah,M.监控视频中的真实世界异常检测。 arXiv公司 2019 ,arXiv:1801.0426。 在线可用: https://arxiv.org/abs/1801.04264 (2019年2月14日访问)。 孟,F。; 王,X。; 王,D。; 邵,F。; Fu,L.基于空间语义和时间注意机制的在线多对象跟踪。 传感器 2020 , 20 , 1653. [ 谷歌学者 ][ 交叉参考 ][ 公共医学 ][ 绿色版本 ] 朱振国。; Ji,H.B。; Zhang,W.B.动作识别的非线性门控通道网络。 神经计算 2020 , 386 , 325–332. [ 谷歌学者 ][ 交叉参考 ] 陈,Y。; Wang,J。; Lu,H.学习鲁棒背景减法的共享模型。 2015年6月29日至7月3日在意大利都灵举行的2015年IEEE多媒体与博览会国际会议记录; 第1-6页。 [ 谷歌学者 ] 王,R。; 布尼亚克,F。; Seetharaman,G。; Palaniappan,K.使用分裂高斯模型的通量张量检测静态和运动目标。 2014年6月23日至28日在美国俄亥俄州哥伦布举行的2014年IEEE计算机视觉和模式识别研讨会会议记录; 第420-424页。 [ 谷歌学者 ] 阿扎姆,R。; Kemouche,医学硕士。; Aouf,N。; Richardson,M.利用空间全局高斯混合模型和不确定性进行高效视觉对象检测。 视觉杂志。 Commun公司。 图像。 2016 , 36 , 90–106. [ 谷歌学者 ][ 交叉参考 ] 马丁斯,I。; 卡瓦略,P。; Corte-Real,L。; Luis Alba-Castro,J.BMOG:具有受控复杂性的增强高斯混合模型。 2017年6月20日至23日,葡萄牙法罗,第2017届伊比利亚模式识别和图像分析会议记录; 第50-57页。 [ 谷歌学者 ] 霍夫曼,M。; Tiefenbacher,P。; Rigoll,G.带反馈的背景分割:基于像素的自适应分割器。 2012年6月16日至21日,罗得岛州普罗维登斯,第2012届计算机视觉和模式识别研讨会论文集; 第38-43页。 [ 谷歌学者 ] St-charles,P.L。; Bilodeau,G.A.SuBSENSE:一种具有局部自适应灵敏度的通用变化检测方法。 IEEE传输。 图像处理。 2015 , 24 ,第359页至第373页。 [ 谷歌学者 ][ 交叉参考 ][ 公共医学 ] 江,S。; Lu,X.WeSamBE:一种基于加权样本的背景减法。 IEEE传输。 电路系统。 视频技术。 2018 , 8 , 2105–2115. [ 谷歌学者 ][ 交叉参考 ] Išony k,ö。; 厄兹坎,K。; Günal,S.SWCD:一种基于滑动窗口和自我调节学习的背景更新方法,用于视频中的变化检测。 《电子杂志》。 成像 2018 , 27 , 1–11. [ 谷歌学者 ][ 交叉参考 ] 库马尔,A.N。; Sureshkumar,C.使用改进的K-Means算法基于阈值检测的背景减法。 2013年2月21日至22日在美国马萨诸塞州塞勒姆举行的2013年模式识别、信息学和移动工程国际会议论文集; 第378-382页。 [ 谷歌学者 ] Soeleman,文学硕士。; 哈里亚迪,M。; Purnomo,M.H.使用模糊C均值聚类检测运动目标时背景减法的自适应阈值。2012年11月19日至22日在菲律宾宿务举行的2012年TENCON IEEE区域10会议记录; 第1-5页。 [ 谷歌学者 ] St-charles,P.L。; Bilodeau,G.A.使用单词共识模型的通用背景减法。 IEEE传输。 图像处理。 2016 , 25 ,4768–4781。 [ 谷歌学者 ][ 交叉参考 ] 曾,Z。; 贾建勇。; 朱振芳。; Yu,D.L.基于码本的动态背景减法的自适应维护方案。 计算。 视觉。 图像理解。 2016 , 152 , 58–66. [ 谷歌学者 ][ 交叉参考 ] Babaee,M。; 丁,T.D。; Rigoll,G.视频序列背景减法的深度卷积神经网络。 模式识别。 2018 , 76 , 635–649. [ 谷歌学者 ][ 交叉参考 ] M.O.特兹坎。; Ishwar,P。; Konrad,J.BSUV-Net:一种用于非视觉视频背景减法的全卷积神经网络。 《IEEE计算机视觉应用冬季会议论文集》,美国科罗拉多州村庄,2020年3月1日至5日。 [ 谷歌学者 ] De Gregorioa,M。; Giordano,M.用无重量神经网络进行背景估计。 模式识别。 莱特。 2017 , 96 , 55–65. [ 谷歌学者 ][ 交叉参考 ] Ramirez-Quintana,J.A。; 查康·莫古亚,M.I。; Ramirez-Alonso,G.M.,基于像素级学习的复杂场景自适应背景建模,采用视网膜主题自组织映射和径向基映射建模。 申请。 智力。 2018 , 48 , 4976–4997. [ 谷歌学者 ][ 交叉参考 ] Maddalena,L。; Petrosino,A.SOBS算法:极限是什么? 2012年6月16日至21日,罗得岛州普罗维登斯,第2012届IEEE计算机视觉和模式识别研讨会论文集; 第21-26页。 [ 谷歌学者 ] Xu,Y。; Dong,J。; 张,B。; Xu,D.视频分析中的背景建模方法:回顾和比较评估。 CAAI运输。 智力。 系统。 Technol公司。 2016 , 1 , 43–60. [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] 瓦尔盖塞,A。; Sreelekha,G.基于样本的集成背景减法和阴影检测。 IPSJ事务。 计算。 视觉。 申请。 2017 , 9 , 25. [ 谷歌学者 ][ 交叉参考 ] 张,W。; 太阳,X。; Yu,Q.通过背景方向重建在运动摄像机下检测运动目标。 传感器 2020 , 20 , 3103. [ 谷歌学者 ][ 交叉参考 ][ 公共医学 ] 库奇亚拉,R。; 格拉纳,C。; 皮卡迪,M。; Prati,A.检测视频流中的移动对象、幽灵和阴影。 IEEE传输。 模式分析。 机器。 智力。 2003 , 25 , 1337–1342. [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] 王,Y。; Jodoin,P.M。; Porikli,F。; Konrad,J.CDnet 2014:扩展的变化检测基准数据集。 2014年6月23日至27日在美国俄亥俄州哥伦布举行的2014年IEEE计算机视觉和模式识别研讨会会议记录; 第393-400页。 [ 谷歌学者 ] 瓦切,P.D.Z。; Sills-Lavoie,M。; Bilodeau,G.A.一种基于多尺度区域的运动检测和背景减除算法。 传感器 2010 , 10 , 1041–1061. [ 谷歌学者 ][ 交叉参考 ][ 公共医学 ]