کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6891631 | 1445268 | 2018 | 66 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
On the role and the importance of features for background modeling and foreground detection
ترجمه فارسی عنوان
در نقش و اهمیت ویژگی های مدل سازی پس زمینه و تشخیص پیش زمینه
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
مدل سازی سابقه، تشخیص پیش زمینه، امکانات، الگوهای باینری محلی،
ترجمه چکیده
مدل سازی پس زمینه به عنوان تکنیک تشخیص پیشگام مورد استفاده برای برنامه های کاربردی مختلف در نظارت تصویری ظاهر می شود. روش های مدل سازی پس زمینه به طور گسترده ای در مدل سازی پس زمینه و سپس شناسایی اشیاء متحرک در هر صحنه بصری افزایش یافته است. اگرچه چندین پسوندهی و تشخیص پیش زمینه اخیرا پیشنهاد شده است، امروزه هنوز هیچ الگوریتم سنتی هنوز هم قادر به همگام شدن با همه چالش های اصلی تغییرات نور، حرکت دوربین پویا، پس زمینه متمرکز و انسداد است. این محدودیت را می توان به عدم بررسی سیستماتیک در مورد نقش و اهمیت ویژگی های در مدل سازی پس زمینه و تشخیص پیش زمینه نسبت داد. با در دسترس بودن یک مجموعه بزرگ از ویژگی های غیر مجاز، چالش در تعیین بهترین ترکیب از ویژگی های است که باعث بهبود دقت و استحکام در تشخیص می شود. هدف از این مطالعه، شروع یک بررسی دقیق و جامع از ویژگی های مورد استفاده در مدل سازی پس زمینه و تشخیص پیش زمینه است. علاوه بر این، این مقاله تحلیل سیستماتیک تجربی و آماری تکنیک هایی را ارائه می دهد که بینش ارزشمندی را در مورد روند مدل سازی پس زمینه ارائه می دهند و از آن برای تهیه توصیه های معنی دار برای تمرینکنندگان استفاده می کنند. در این مقاله، بازبینی اولیه از ویژگی های کلیدی ویژگی ها براساس انواع و اندازه ها علاوه بر بررسی ویژگی های طیفی، مکان و زمان ذاتی آنها ارائه شده است. علاوه بر این، بهبود با استفاده از ابزارهای آماری و فازی مورد بررسی قرار گرفته و تکنیک های مبتنی بر ویژگی های چندگانه بر پایه معیارهای قابلیت اطمینان و انتخاب معیار هستند. در نهایت، شرح منابع مختلف موجود مانند مجموعه داده ها و کدها ارائه می شود.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
علوم کامپیوتر (عمومی)
چکیده انگلیسی
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.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computer Science Review - Volume 28, May 2018, Pages 26-91
Journal: Computer Science Review - Volume 28, May 2018, Pages 26-91
نویسندگان
Thierry Bouwmans, Caroline Silva, Cristina Marghes, Mohammed Sami Zitouni, Harish Bhaskar, Carl Frelicot,