view in publisher's site

On the role and the importance of features for background modeling and foreground detection

Background modeling has emerged as a popular foreground detection technique for various applications in video surveillance. Background modeling methods have become increasing efficient in robustly modeling the background and hence detecting moving objects in any visual scene. Although several background subtraction and foreground detection have been proposed recently, no traditional algorithm today still seem to be able to simultaneously address all the key challenges of illumination variation, dynamic camera motion, cluttered background and occlusion. This limitation can be attributed to the lack of systematic investigation concerning the role and importance of features within background modeling and foreground detection. With the availability of a rather large set of invariant features, the challenge is in determining the best combination of features that would improve accuracy and robustness in detection. The purpose of this study is to initiate a rigorous and comprehensive survey of features used within background modeling and foreground detection. Further, this paper presents a systematic experimental and statistical analysis of techniques that provide valuable insight on the trends in background modeling and use it to draw meaningful recommendations for practitioners. In this paper, a preliminary review of the key characteristics of features based on the types and sizes is provided in addition to investigating their intrinsic spectral, spatial and temporal properties. Furthermore, improvements using statistical and fuzzy tools are examined and techniques based on multiple features are benchmarked against reliability and selection criterion. Finally, a description of the different resources available such as datasets and codes is provided.

در نقش و اهمیت ویژگی‌ها برای مدلسازی پس‌زمینه و تشخیص پیش‌زمینه

مدلسازی پس‌زمینه به عنوان یک تکنیک مشهور برای تشخیص پیش‌زمینه برای کاربردهای مختلف در مراقبت ویدئویی ظاهر شده‌است. روش‌های مدلسازی پس‌زمینه در مدل‌سازی مستحکم زمینه و در نتیجه کشف اشیا در حال حرکت در هر صحنه بصری رو به افزایش است. اگرچه اخیرا روش‌های کاهش پس‌زمینه و تشخیص پیش‌زمینه پیشنهاد شده‌اند، اما هنوز به نظر می‌رسد که هنوز الگوریتم سنتی قادر به حل همزمان تمام چالش‌های کلیدی تغییرات روشنایی، حرکت دوربین دینامیک، پس‌زمینه و انسداد است. این محدودیت را می توان به عدم بررسی سیستماتیک در مورد نقش و اهمیت ویژگی‌های درون مدل‌سازی پس‌زمینه و تشخیص پیش‌زمینه نسبت داد. با در دسترس بودن مجموعه نسبتا بزرگی از ویژگی‌های ثابت، چالش در تعیین بهترین ترکیب ویژگی‌ها است که دقت و استحکام را در تشخیص افزایش می‌دهد. هدف از این مطالعه، آغاز یک بررسی جامع و جامع از ویژگی‌های مورد استفاده در مدل‌سازی پیش‌زمینه و تشخیص پیش‌زمینه می‌باشد. علاوه بر این، این مقاله یک تحلیل سیستماتیک و آماری از تکنیک‌هایی را ارایه می‌دهد که بینش ارزشمندی در مورد گرایش‌ها در مدل‌سازی پس‌زمینه و استفاده از آن برای ارایه توصیه‌های معنی‌دار برای افراد حرفه‌ای ارایه می‌دهد. در این مقاله، مروری مقدماتی بر ویژگی‌های کلیدی ویژگی‌ها براساس نوع و اندازه‌های آن علاوه بر بررسی ویژگی‌های طیفی، فضایی و زمانی آن‌ها ارایه شده‌است. علاوه بر این، بهبودهای با استفاده از ابزارهای آماری و فازی مورد بررسی قرار می‌گیرند و تکنیک‌های مبتنی بر ویژگی‌های چندگانه در برابر معیار قابلیت اطمینان و انتخاب صورت می‌گیرند. در نهایت، توصیفی از منابع مختلف موجود مانند مجموعه داده و کده‌ای ارایه می‌شود.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله General Computer Science
  • ترجمه مقاله General Computer Science
  • مقاله علوم کامپیوتر عمومی
  • ترجمه مقاله علوم کامپیوتر عمومی
  • مقاله Theoretical Computer Science
  • ترجمه مقاله Theoretical Computer Science
  • مقاله علوم کامپیوتر نظری
  • ترجمه مقاله علوم کامپیوتر نظری
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.