Обгрунтування показника вибору оптимального алгоритму виділення фону у відеопослідовностях з камер відеоспостереження відомчих систем відео спостереження
DOI:
https://doi.org/10.33099/2311-7249/2019-36-3-97-102Ключові слова:
відео спостереження, VSS, фон, передній план, рухомі об’єкти, різниця кадрів, дата сет, алгоритм, коефіцієнт кореляції Метьюса, Sobral Andrews, Vacavant AntoineАнотація
Виділення фону у відеопослідовностях, що отримані зі стаціонарних (нерухомих) камер відеоспостереження є важливим етапом в процесі виявлення рухомих об'єктів на цих відео послідовностях. Різноманітність підходів до вирішення задачі виділення фону у відеопослідовностях з стаціонарних (нерухомих) камер відеоспостереження створила необхідність проведення досліджень щодо вибору оптимальних алгоритмів. Такі дослідження проводяться шляхом порівняльного аналізу відомих методів та їх оцінювання за певними метриками. На основі робіт "A Benchmark Dataset for Outdoor Foreground/Background Extraction", "CDnet 2014: An Expanded Change Detection Benchmark Dataset", "Evaluation of Background Subtraction Techniques for VideoSurveillance" та " Comparative study of background subtraction algorithms" нами проведено порівняльний аналіз найбільш поширених алгоритмів виділення фону. Також за результатами аналізу розміщення камер відеоспостереження розгорнутих у складі ІІТС «Гарт» на визначених об’єктах та секторів їх огляду, визначено, що умови їх застосування суттєво не відрізняються від умов функціонування камер відеоспостереження, що розгортаються в громадських місцях, на вулицях, автошляхах та інших об’єктах.
В даній роботі запропоновано удосконалений показник для вибору оптимальних алгоритмів виділення фону у відеопослідовностях зі стаціонарних (нерухомих) камер систем відеоспостереження. В якості оціночних критеріїв роботи алгоритму використано такі метрики рішень класифікатора як істинно позитивно ( – true positive), істинно негативно ( – true negative), хибно позитивно ( – false positive), хибно негативно ( – false negative). Суть удосконалення полягає у розрахунку загального показника ефективності роботи алгоритму виділення фону , який відрізняється від показника, запропонованого Sobral Andrews та Vacavant Antoine в роботі "A comprehensive review of background subtraction algorithms evaluated with synthetic and real videos" використанням в якості однієї з метрик коефіцієнта кореляції Метьюса для врахування всіх можливих варіантів рішень алгоритму.
Посилання
1. A. Benchmark. Dataset for Outdoor Foreground/Background Extraction. Computer Vision - ACCV 2012 Workshops: ACCV 2012 International Workshops. Part I. / Antoine Vacavant,Thierry Chateau, Alexis Wilhelm, Laurent Lequièvre. Daejeon, Korea, 2012. С. 291–300.
2. Babaee M., Dinh D.T., Rigoll G. A deep convolutional neural network for video sequence background subtraction. Pattern Recognition. Elsevier, 2018. Вип. 76. С. 635–649. URL : hhttps://doi.org/10.1016/j.patcog.2017.09.040. (дата звернення : 16.01.2019).
3. Background Subtraction Website. веб-сайт. URL : https://sites.google.com/site/backgroundsubtraction/test-sequences/human-activities (дата звернення: 25.12.2018).
4. Borgefors G. Distance Transformations in digital images. Computer Vision, Graphics, and Image Processing. 1986. Вип. 34. С. 344–371. URL : https://www.sciencedirect.com/science/article/pii/S0734189X86800470?via%3Dihub. (дата звернення : 22.01.2019).
5. Bouwmans T. Traditional and recent approaches in background modeling for foreground detection: An overview. Computer Science Review. Elsevier, 2014. № 11. С. 31–66. URL: https://doi.org/10.1016/j.cosrev.2014.04.001. (дата звернення : 20.01.2019).
6. Brutzer S., Hoferlin B., Heidemann G. Evaluation of Background Subtraction Techniques for VideoSurveillance. In Proceedings of the 24th IEEE Conference on Computer Vision and Pattern Recognition. Colorado Springs, CO, USA, 2011. С. 1937–1944.
7. CDnet 2014: An Expanded Change Detection Benchmark Dataset. 2014 IEEE Conference on Computer Vision and Pattern Recognition Workshops. / Wang Yi та ін. Columbus, OH, 2014. С. 393–400.
8. ChangeDetection.NET (CDNET). веб-сайт. URL : http://www.changedetection.net (дата звернення: 25.12.2018).
9. Comparative study of background subtraction algorithms. Journal of Electronic Imaging. / Yannick Benezeth, Pierre-Marc Jodoin, Bruno Emile, Hélène Laurent, Christophe Rosenberger. 2010. № 19 (3). URL : https://doi.org/10.1117/1.3456695. (дата звернення : 20.01.2019).
10. Hayman Eric, Eklundh Jan-Olof. Statistical background subtraction for a mobile observer. Proceedings Ninth IEEE International Conference on Computer Vision. Nice, France : IEEE, 2003. С. 67–74. URL : https://ieeexplore.ieee.org/document/1238315. (дата звернення : 01.11.2019).
11. Matthews B.W. Comparison of the predicted and observed secondary structure of T4 phage lysozyme. Biochimica et Biophysica Acta (BBA)-Protein Structure. Elsevier, 1975. № 405 (2). С. 442–451.
12. Sobral Andrews, Vacavant Antoine. A comprehensive review of background subtraction algorithms evaluated with synthetic and real videos. Computer Vision and Image Understanding. 2014. Вип. 122. С. 4–21. URL : https://doi.org/10.1016/j.cviu.2013.12.005. (дата звернення: 22.01.2019).
13. Stauffer C., Grimson W. E. L. Adaptive background mixture models for real-time tracking. Computer Society Conference on Computer Vision and Pattern Recognition : 1999 Conference on Computer Vision and Pattern Recognition (CVPR ’99). Ft. Collins, CO, USA : IEEE Computer Society, 1999. С. 2246–2252. URL : https://dblp.uni-trier.de/db/conf/cvpr/cvpr1999.html. (дата звернення : 16.01.2019).
14. Stuttgart Artificial Background Subtraction Dataset. Institute for Visualisation and Interactive Systems (VIS) : веб-сайт. URL : https://www.vis.uni-stuttgart.de/forschung/visual_analytics/visuelle_analyse_videostroeme/stuttgart_artificial_background_subtraction_dataset/index.en.html (дата звернення: 25.12.2018).
15. Zivkovic Z., F. van der Heijden. Efficient adaptive density estimation per image pixel for the task of background subtraction. Pattern Recognition Letters. 2006. № 27. С. 773–780. URL : https://doi.org/10.1016/j.patrec.2005.11.005. (дата звернення : 30.12.2018).
16. Zivkovic Z. Improved Adaptive Gaussian Mixture Model for Background Subtraction. Proceedings of the 17th International Conference on Pattern Recognition. Cambridge, UK : IEEE, 2004. Вип. 2. С. 28–31
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати як монографію), за умови збереження посилання на першу публікацію роботи у цьому журналі.
3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
4. Персональні дані і метадані, які наводяться у статтях, надаються для їх зберігання і оброблення в різноманітних базах даних і інформаційних системах, включення їх в аналітичні і статистичні звітності, створення обгрунтованих взаємозв'язків об'єктів творів науки, літератури і мистецтва з персональними даними і т.п. на території, яка не обмежена.
