A Fuzzy Background Modeling Approach for Motion

A Fuzzy Background Modeling Approach for Motion Detection in Dynamic Backgrounds(2012)

粗略地翻译了一下这边论文,貌似我没有看懂。

摘要

基于2型模糊高斯混合模型(t2-fgmm)和马尔可夫随机场(MRF),我们提出了一个用于在动态场景中的运动检测的新的背景建模方法。方法的关键思想是通过一个贝叶斯框架成功地引入时空限制到t2-fgmm。像素级的评估结果证明所提出的方法比声高斯混合模型(GMM)和t2-fgmm表现更好,在典型的动态背景下就像摇曳的树木和潺潺的流水一样。

1. 介绍

在这篇论文中,我们成功地将时空限制引入了 MRF框架的t2-fgmm,以获得更好的建模性能动态背景。首先,t2-fgmm的输出被认为是 MRF的初始标记字段。然后,标签场的局部能量非常优美再加上贝叶斯框架的观察结果。条件模式(ICM)算法,由于其计算效率,被用于获得最大的后验概率(图)。这篇论文的贡献是我们成功地结合了时空的先验和对T2的观察。 FGMM为动态背景达到令人满意的性能。这个实验结果表明,设计的方法比GMM和T2更有效果。 FGMM在典型的动态背景下,如摇曳的树木和潺潺的流水。

论文的其余部分是按照以下的方式组织的:最近的一些作品在第2部分简要回顾。第3节是t2-fgmm的基本原理。部分给出了设计背景建模方法的细节。实验结果如第5部分所示,结论是在第6部分中提供的。

2. 最近工作进展

背景减除的常见方法是给出适当的背景模式,旨在应对照明变化,动态背景,伪装,阴影等。Wren et al。 [11]模拟背景作为一个称为“Pfinder”的系统中的单个高斯,其目的是检测人在室内。但这种方法不能很好的处理户外场景,因为分配室外灰度值是多模态的。 Stauffer和Grimson [4]模型背景作为高斯混合模型,可以处理多模态背景好。但是GMM的参数更新不能适应快速变化的场景,如突然的照明变化,动态背景,在[12,13]中提出了非参数化方法,它们更灵活以大量计算的价格快速变化背景。和….相比以上基于模型的方法,基于数据的方法计算量较少复杂性,并且可以通过精心设计来处理部分背景挑战初始化和更新的过程像Vibe [14]。自组织的方法Maddalena等[15]提出的背景扣除可能是最好的方法之一此刻,以自组织的方式学习背景动作通过神经网络的技术。其他最近的作品使用模糊方法可以在[16]中找到。

3. T2-FGMM(2型模糊高斯混合模型)

4. 通过马尔科夫随机场改进T2-FGMM

t2-fgmm不考虑时空限制和它的性能动态场景需要改进。同时,MRF给出了一个添加的框架在计算机视觉17的观察之前。基于这个观察,我们将它们融合在一起,形成一种模糊的运动检测方法。在动态场景。本节提供所提议方法的详细信息。

5. 实验结果

要评估像素级的方法,假阳性(FP),假阴性(FN),真正(TP),真正的负(TN)被使用。P表示背景,N表示前景。T给出正确的分类的判断,F表示判断错误的分类。统计指标给出了一个整体的性能在动态背景下,更公平的方式。假正误率(FPR) 糟糕的分类(PBC),f-测度如下:

6. 结论

在动态背景下,我们开发了一种新的运动检测方法基于t2-fgmm和MRF。所提出的方法获得了更好的性能与GMM和t2-fgmm不同,它与基于贝叶斯的其他方法不同方法采用模糊模型,目的是解决动态问题。。此外,还可以扩展所提议的方法来检测影子很容易。未来的工作是开发一个更有效的背景可能性函数以及使方法更加健壮的前景。

你可能感兴趣的:(学习笔记)