view in publisher's site

Background subtraction in real applications: Challenges, current models and future directions

Computer vision applications based on videos often require the detection of moving objects in their first step. Background subtraction is then applied in order to separate the background and the foreground. In literature, background subtraction is surely among the most investigated field in computer vision providing a big amount of publications. Most of them concern the application of mathematical and machine learning models to be more robust to the challenges met in videos. However, the ultimate goal is that the background subtraction methods developed in research could be employed in real applications like traffic surveillance. But looking at the literature, we can remark that there is often a gap between the current methods used in real applications and the current methods in fundamental research. In addition, the videos evaluated in large-scale datasets are not exhaustive in the way that they only covered a part of the complete spectrum of the challenges met in real applications. In this context, we attempt to provide the most exhaustive survey as possible on real applications that used background subtraction in order to identify the real challenges met in practice, the current used background models and to provide future directions. Thus, challenges are investigated in terms of camera (i.e CCD cameras, omnidirectional cameras, …), foreground objects and environments. In addition, we identify the background models that are effectively used in these applications in order to find potential usable recent background models in terms of robustness, time and memory requirements.

کاهش پس‌زمینه در کاربردهای واقعی: چالش‌ها، مدل‌های فعلی و دستورها آینده

کاربردهای بینایی کامپیوتری براساس ویدیو اغلب به تشخیص اشیا در حال حرکت در اولین مرحله نیاز دارند. سپس تفریق پس‌زمینه برای جدا کردن پس‌زمینه و پیش‌زمینه به کار می‌رود. در ادبیات، تفریق پس‌زمینه در بین the زمینه در بینایی رایانه‌ای است که مقدار زیادی از نشریات را ارایه می‌دهد. بسیاری از آن‌ها به کاربرد مدل‌های ریاضی و یادگیری ماشین اهمیت می‌دهند تا نسبت به چالش‌ها در ویدئو، قوی‌تر باشند. با این حال هدف نهایی این است که روش‌های کاهش پس‌زمینه توسعه‌یافته در تحقیقات می‌تواند در کاربردهای واقعی مثل نظارت ترافیک بکار رود. اما به ادبیات نگاه می‌کنیم، می‌توانیم بگوییم که اغلب فاصله بین روش‌های کنونی مورد استفاده در کاربردهای واقعی و روش‌های فعلی در تحقیقات بنیادین وجود دارد. به علاوه، ویدئوهایی که در مجموعه داده‌های بزرگ ارزیابی شده‌است، به روشی که آن‌ها تنها بخشی از طیف کامل چالش‌های موجود در کاربردهای واقعی را پوشش داده‌اند، کامل نیستند. در این زمینه، ما تلاش می‌کنیم تا بیش‌ترین بررسی جامع را در کاربردهای واقعی ارایه دهیم که از کاهش پس‌زمینه به منظور شناسایی چالش‌های واقعی در عمل استفاده می‌کنند، مدل‌های پس‌زمینه مورد استفاده فعلی و برای ارایه جهت آینده. بنابراین چالش‌ها از نظر دوربین مورد بررسی قرار می‌گیرند (i. (e CCD، دوربین omnidirectional، …)، اشیا و محیط‌های پیش‌زمینه. به علاوه، ما مدل‌های پس‌زمینه‌ای را شناسایی می‌کنیم که به طور موثر در این کاربردها مورد استفاده قرار می‌گیرند تا بتوان مدل‌های پیش‌زمینه بالقوه قابل‌استفاده را از نظر مقاومت، زمان و الزامات حافظه پیدا کرد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

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

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.