A background modeling and foreground segmentation approach based on the feedback of moving objects in traffic surveillance systems

مدل سازی سابقه و تقسیم بندی پیش زمینه پایه و اساس سیستم های نظارت بر ترافیک است. دقیق بودن مدل پس زمینه و صحت تقسیم بندی پیش زمینه به طور مستقیم بر عملیات بعدی، مانند تشخیص شی، طبقه بندی هدف و درک رفتار، به طور مستقیم تاثیر می گذارد. علاوه بر این، زمان پردازش برای برنامه های واقعی محدود است. متاسفانه مدلسازی پس زمینه و تقسیم بندی پیش زمینه متأسفانه اغلب دو مقوله جدی را شامل می شود، از جمله یکی بین قدرت و استحکام تغییرات پس زمینه و حساسیت به ناهنجاری های پیش زمینه، و دیگری بین سر و صدا سر و زدن سوراخ های نادرست و تقسیم در پیش زمینه تقسیم بندی برای مقابله با این مشکلات، یک مدل بهبود پس زمینه و روش تقسیم پیش زمینه بر اساس بازخورد از نتایج ردیابی اجسام متحرک پیشنهاد شده است. با توجه به نتایج ردیابی دست یافته شده، یک تصویر فریم به چهار نوع مناطق تقسیم می شود، سپس به روز رسانی پس زمینه دو لایه برای این مناطق مختلف با عملیات مناسب انجام می شود که می تواند کیفیت مدل پس زمینه را بهبود ببخشد. بر اساس رابطه فضایی بین اشیاء ردیابی، بلوک های پیشنهادی شیء به مناطق متصل شده اند، که در آن آستانه های تقسیم بندی سازگار برای تقسیم پیش زمینه استفاده می شود. این روش آستانه سازگار می تواند به طور موثر جلوگیری از سوراخ های اشتباه و تقسیم بندی در تقسیم بندی پیش زمینه. رویکرد پیشنهادی ما با تعدادی مجموعه داده های عمومی تایید شده است که مزایای آن را در مقایسه با بسیاری از رویکردهای موجود تایید می کند.