An adaptive background extraction method in traffic scenes

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.