کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
7225074 | 1470571 | 2018 | 13 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
An adaptive background extraction method in traffic scenes
ترجمه فارسی عنوان
روش استخراج پس زمینه سازگار در صحنه های ترافیکی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
استخراج پس زمینه، در حال اجرا روش متوسط، انتخاب سازگار، عامل یادگیری سلسله مراتبی،
ترجمه چکیده
این مقاله یک روش استخراج پسزمینه تطبیقی در صحنه های ترافیکی ارائه می دهد. بر اساس روش میانگین اجرا، روش پیشنهادی از عامل یادگیری سلسله مراتبی استفاده می کند که دارای مقادیر مختلف در سطوح مختلف برای استخراج پس زمینه است. به طور سنتی، روش میانگین در حال اجرا از یک عامل یادگیری ثابت استفاده می کند. این کمبودها است: اگر مقدار فاکتور یادگیری گرفته شده بیش از حد بزرگ باشد، ارواح مستعد ابتلا به فرایند یادگیری پس زمینه هستند؛ اگر مقدار خیلی کوچک باشد، سرعت استخراج پسزمینه آهسته خواهد شد. در روش پیشنهادی، مقدار آنتروپی بافت تصویر برای اندازه گیری میزان همگرایی پس زمینه استفاده می شود. با توجه به درجه همگرایی، عوامل یادگیری به شیوه ای سازگار انتخاب می شوند. آزمایشات ثابت می کنند که روش پیشنهادی می تواند بر خطاهای بالا از روش میانگین سنتی در حال اجرا غلبه کند و می تواند پس زمینه را بدون فضایی سریعتر استخراج کند. تجزیه و تحلیل منحنی ترکیب پوشش نشان می دهد که این روش به دلیل توزیع جزء معقول و بدون وابستگی بیش از حد به فریم های ویدیویی معقول منطقی است. علاوه بر این، روش پیشنهادی با برخی از روش های پیشرفته تر مقابله می شود. مقایسه نشان می دهد که روش ما دارای دقت بالا تشخیص و سرعت محاسبات است.
موضوعات مرتبط
مهندسی و علوم پایه
سایر رشته های مهندسی
مهندسی (عمومی)
چکیده انگلیسی
This paper presents an adaptive background extraction method in traffic scenes. Based on running average method, the proposed method uses the hierarchical learning factor which has different values in different levels to extract background. Traditionally, the running average method uses a fixed learning factor. It has some shortcomings: if the value of learning factor taken is too large, ghosts are prone to occur in the background learning process; if the value is too small, the speed of background extraction will be slow. In the proposed method, the value of image texture entropy is used to measure the convergence degree of background. According to the convergence degree, the learning factors are selected in an adaptive manner. Experiments prove that the proposed method can overcome the above shortcomings of traditional running average method and can faster extract the background without ghosts. The background composition curve analysis shows that this method is reasonable due to reasonable component distribution without excessive reliance on certain video frames. In addition, the proposed method is compared with some state-of-the-art methods. The comparison shows that our method has high detection accuracy and computation speed.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Optik - Volume 156, March 2018, Pages 659-671
Journal: Optik - Volume 156, March 2018, Pages 659-671
نویسندگان
Xiying Li, Guoming Li, Qiuxiao Huang, Zhenbo Wang, Zhi Yu,