کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4968744 1449750 2016 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Adaptive maintenance scheme for codebook-based dynamic background subtraction
ترجمه فارسی عنوان
طرح نگهداری سازگار برای تفریق پس زمینه پویا مبتنی بر کدبندی
کلمات کلیدی
ترجمه چکیده
ما یک طرح نگهداری جدید تطبیقی ​​برای الگوریتم تفریق پس زمینه مبتنی بر کدبندی پیشنهاد میکنیم. با استفاده از این روش، دقت و کارایی مدل به طور قابل توجهی بهبود می یابد. در روش پیشنهادی، ما یک استراتژی به روز رسانی واجد شرایط یکسانی برای جایگزین کردن استراتژی فیلتر کردن حداکثر منفی بر اساس طول را توسعه می دهیم. علاوه بر این، فرآیند یادگیری پیش زمینه مبتنی بر حافظه را با یک برنامه به روز رسانی تصادفی جایگزین می کنیم. این اصلاحات نه تنها دقت مدل کلاسیک را حفظ می کند، بلکه همچنین تعداد پارامترهای مورد استفاده در طرح تعمیر و نگهداری را نیز کاهش می دهد. در چارچوب اصلاح شده، پارامترهایی که حساس به سناریو هستند، از طریق آزمایشات و تجزیه و تحلیل های گسترده شناسایی می شوند. سپس روشهای سازگاری برای آنها پیشنهاد می شود. روش پیشنهادی بهترین عملکرد سیستم را در انواع مختلف سناریوها تضمین می کند. در آزمایش های ما، مقایسه ها برای تایید اینکه عملکرد مدل کدبوک به واسطه تکنیک انطباقی به طور قابل توجهی بهبود یافته است، ارائه شده است. عملکرد کلی روش پیشنهاد شده در مقایسه با بیش از 20 حالت پیشرفته با استفاده از چندین مجموعه داده جدید ارزیابی می شود. نشان داده شده است که با وجود استفاده از اطلاعات رنگ تنها، روش پیشنهاد شده اکثریت راه حل ها را با یک حاشیه قابل توجهی بهتر می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
طرح نگهداری سازگار برای تفریق پس زمینه پویا مبتنی بر کدبندی
چکیده انگلیسی
We propose a novel adaptive maintenance scheme for the codebook-based background subtraction algorithm. With this technique, the accuracy and efficiency of the model are significantly improved. In the proposed method, we develop an equal-qualification updating strategy to replace the maximum-negative-run-length-based filtering strategy. Further, we substitute the cache-based foreground learning process with a random updating scheme. These modifications not only preserve the accuracy of the codebook model but also significantly reduce the number of parameters used in the maintenance scheme. In the modified framework, parameters that are scenario-sensitive are identified through extensive experiments and analysis. Then, adaptive methods are proposed for them. The proposed method ensures the best performance of the system across a variety of complex scenarios. In our experiments, comparisons are provided to confirm that the performance of the codebook model is significantly improved owing to the adaptive technique. The overall performance of the proposed method is evaluated against more than 20 state-of-the-art methods using several modern datasets. It is demonstrated that, despite using only color information, the proposed method outperforms the majority of the solutions by a significant margin.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computer Vision and Image Understanding - Volume 152, November 2016, Pages 58-66
نویسندگان
, , , ,