| 作成者 |
|
|
|
|
|
|
|
| 本文言語 |
|
| 出版者 |
|
|
|
| 発行日 |
|
| 収録物名 |
|
| 巻 |
|
| 号 |
|
| 開始ページ |
|
| 終了ページ |
|
| 出版タイプ |
|
| アクセス権 |
|
| 権利関係 |
|
| 関連DOI |
|
| 関連DOI |
|
|
|
|
|
|
|
|
|
| 関連URI |
|
|
|
|
|
|
|
|
|
| 関連URI |
|
| 関連HDL |
|
| 関連情報 |
|
|
|
|
|
|
|
|
|
| 概要 |
本稿では、確率密度関数をノンパラメトリックに推定する方法のひとつである Parzen 推定を利用した高速な動的背景モデル構築アルゴリズムについて述べる。動的背景モデル構築では画素単位で画素値の変化を確率密度関数で近似する方法が一般的であり、その近似を高速かつ精度良<行うことが重要である。提案手法では、新たな観測画素値を基準にその周辺の確率密度のみを局所的に更新することで、背景モデルの更新に必要な処...理時間を大幅に短縮している。実験では、混合ガウス分布を利用したセミパラメトリックな手法に比べ、高速かつ高精度に背景モデルの更新および対象物体の抽出を行えることが確認できた。また、背景モデルを影モデルへ応用することで、背景差分によって得られた画像から物体によってできた影領域を正確に除去することができた。
We propose a fast algorithm to estimate background models using Parzen density estimation in non-stationary scenes. Each pixel has a probability density which approximates pixel values observed in a video sequence. It is important to estimate a probability density function fast and accurately. In our approach, the probability density function is partially updated within the range of the window function based on the observed pixel value. The model adapts quickly to changes in the scene and foreground objects can be robustly detected. And applying our approach to the shadow models, it enables detecting and modeling moving cast shadows. Several experiments show the effectiveness of our approach.続きを見る
|
Mendeley出力
TanakaCVIM07