Idea de proyecto | Detección de movimiento mediante técnicas de sustracción de fondo

La detección de primer plano basada en transmisiones de video es el primer paso en las aplicaciones de visión por computadora, incluido el seguimiento en tiempo real y el análisis de eventos. Muchos investigadores en el campo del análisis de la semántica de imágenes y videos prestan atención a la videovigilancia inteligente en áreas residenciales, cruces, centros comerciales, metros y aeropuertos, que están estrechamente asociados con la detección de primer plano.
El modelado de fondo es una forma eficiente de obtener objetos en primer plano. Aunque los métodos de modelado de fondo para la detección de primer plano se han estudiado durante varias décadas, cada método tiene sus propias fortalezas y debilidades para detectar objetos de interés en transmisiones de video.
Algunos de ellos son muy significativos para BS, y no habituales en los otros benchmarks. He propuesto una comparación de métodos BGS a saber (Adaptive BG Learning, ZivkovicGMM, Fuzzy Integral), con varias metodologías.

Características:

  • Puede eliminar el ruido en la secuencia de fotogramas de forma eficaz utilizando métodos BGS adecuados.
  • Puede detectar de manera eficiente el primer plano siempre que el alfa y el umbral sean fijos.
  • Los movimientos en diferentes desafíos se pueden detectar restando problemas como fondo dinámico, etc.

Pasos de modelado de BG:

  • Inicialización de fondo: el primer objetivo para construir un modelo de fondo es fijar el número de fotogramas. Este modelo se puede diseñar de varias formas (gaussiana, difusa, etc.).
  • Detección de primer plano: en los siguientes cuadros, se procesa una comparación entre el cuadro actual y el modelo de fondo. Esta resta conduce al cálculo del primer plano de la escena.
  • Mantenimiento de fondo: durante este proceso de detección, las imágenes también se analizan para actualizar el modelo de fondo aprendido en el paso de inicialización, con respecto a una tasa de aprendizaje. Un objeto que no se mueve durante mucho tiempo debe integrarse en el fondo, por ejemplo.

Métodos de sustracción de GS paso a paso

  1. Aprendizaje adaptativo de glucosa  en sangre: de una manera sencilla, esto se puede hacer configurando manualmente una imagen estática que representa el fondo y sin ningún objeto en movimiento.
    • Para cada cuadro de video, calcule la diferencia absoluta entre el cuadro actual y la imagen estática.
    • Si la diferencia absoluta supera el umbral, el marco se considera como fondo, de lo contrario, como primer plano.
  2. Modelo de mezcla gaussiana (GMM):  para modelar un fondo que es una textura dinámica (como olas en el agua o árboles sacudidos por el viento), se modela cada píxel con una mezcla de distribuciones K Gaussianas.
    • Para cada cuadro de video, encuentre la probabilidad de que el valor de píxel de entrada x del cuadro actual en el momento t sea un píxel de fondo representado por la siguiente combinación de gaussianas
      P(x_i)=\sum_{i=1}^{k}\omega _{i,t}.\eta \left ( x_{t},U_{i,t}\sum_{i,t} \right )
    • Se compara un nuevo píxel con las distribuciones K Gaussianas existentes, hasta que se encuentra una coincidencia.
    • Si ninguna de las distribuciones K coincide con el valor de píxel actual, la distribución menos probable se reemplaza
      con una distribución con el valor actual como su valor medio.
    • Si los valores de píxel no pueden coincidir con las distribuciones del modelo de fondo, se etiquetarán como «en movimiento», de lo contrario, píxel de fondo.
  3. Integral Fuzzy : La inicialización de fondo se realiza utilizando el promedio de los N primeros cuadros de video donde están presentes los objetos. Es necesaria una regla de actualización de la imagen de fondo para adaptar bien el sistema a lo largo del tiempo a algunos cambios ambientales. Para ello, se adopta un esquema de mantenimiento selectivo de la siguiente manera:

    \begin{align*} B_{t+1}(x,y) &=(1-\alpha )B_t(x,y)+\alpha T_{t+1}(x,y) \\  , &if (x,y) is Background \\   B_{t+1}(x,y)&= (1-\beta )B_t(x,y)+\beta T_{t+1}(x,y) \\   &, if (x,y) is Background \end{align*}

    Las integrales difusas agregan de forma no lineal los resultados de todos los criterios.

    • El píxel en la posición (x, y) se considera como primer plano si su valor integral de Choquet es menor que un cierto umbral constante, lo que significa que los píxeles en la misma posición en el fondo y las imágenes actuales no son similares.
    • Este es un valor constante que depende de cada conjunto de datos de video.

Software y hardware necesarios:

  • Biblioteca: OpenCV
  • Idioma: C++
  • Entorno: Visual Studio
  • Hardware: 2,67 GHz Core i5 4 GB de RAM

Diagrama

Esto muestra cómo se realizan nuestros métodos de detección de primer plano en diferentes desafíos.
c4

Resultado

c6

Conclusión

En este trabajo, hemos propuesto varios métodos de sustracción de fondo que se requieren para la detección de primer plano.
Estos son necesarios para varias tecnologías utilizadas en la visión artificial.
Aunque cada método probado tiene diferentes ventajas y desventajas, encontramos que AGMM y Fuzzy Integral son los métodos más prometedores.
Estos serán útiles para comprender y desarrollar nuevos algoritmos para la detección de primer plano teniendo en cuenta los parámetros.

Enlace del proyecto 

https://saanjk@bitbucket.org/saanjk/bgs-methods-for-motion-detection.git

Video

Investigar

La detección de objetos en primer plano en movimiento es una tarea desafiante debido a su apariencia variable.
Este es un tema de investigación en auge que aún continúa para la vigilancia de grandes multitudes
en aplicaciones en tiempo real.
Las áreas de investigación incluyen procesamiento de imágenes, inteligencia artificial y aprendizaje automático.

  • https://hal.archives-ouvertes.fr/hal-00333086/document
  • http://ieeexplore.ieee.org/document/7565562/
  • http://vc.cs.nthu.edu.tw/home/paper/codfiles/whtung/200603141526/Improved_Adaptive_Gaussian_Mixture_Model_for_Background.PDF

Solicitud:

Sistema de videovigilancia que incluye áreas residenciales, cruces, centros comerciales, subterráneos y aeropuertos.

Este artículo es una contribución de Afzal Ansari y codirigido por el Prof. Subrata Mohanty . Si te gusta GeeksforGeeks y te gustaría contribuir, también puedes escribir un artículo usando write.geeksforgeeks.org o enviar tu artículo por correo a review-team@geeksforgeeks.org. Vea su artículo que aparece en la página principal de GeeksforGeeks y ayude a otros Geeks.

Publicación traducida automáticamente

Artículo escrito por GeeksforGeeks-1 y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *