基於無母數直方圖之快速背景模型建構

Efficient Background Modeling Using Nonparametric Histogramming

施立宸(Li-Chen Shih)

指導教授 ： 莊仁輝 ； 林泓宏

國立交通大學/資訊學院/多媒體工程研究所/碩士(2014年)

https://doi.org/10.6842/NCTU.2014.00669

摘要

監控設備不斷的發展進步，物件檢測效能上亦必須相對應的提升。而在物件檢測的技術上，背景相減法(Background Subtraction)在該技術上佔有舉足輕重的地位。目前以背景相減法技術來說，主流的背景模型為高斯混合模型(GMM)，該模型有許多相關的論文被提出。高斯混合模型可以對前景判斷保持一定的精確度，但其在監控設備不斷的進步下卻仍無法作出高解析度即時的前景偵測。本篇論文針對高斯模型不足之處發展出一套基於單像素上的背景模型，此模型解決高斯混合模型在模型更新上運算耗時的問題，並克服了高斯混合模型描述的限制，並可完整描述測量時間內每個顏色分布範圍的背景機率值。此外，由於此演算法製作簡易，因此可在定點運算(fixed-point)下進行，在不需其它加速模組的協助(CUDA、Intel SIMD或是Intel IPP library)，以及不採用多執行緒或取樣(Sub-sampling)的情況下，我們的演算法可以在1920×1080全彩影像下，硬體設備為Intel Core i7 3.4GHz CPU達到23.25 fps的速度。而我們的實驗結果也顯示，我們的演算法計算速度比GMM快上約3.7倍，並且能作出與GMM相近的結果。

關鍵字

背景相減法 ； 無母數模型 ； 背景模型 ； 混合高斯模型

並列摘要

無資料

並列關鍵字

Background subtraction ； Non-parametric model ； Background model ； Gaussian-mixture model

參考文獻

[2] H.H. Lin, J.H. Chuang, and T.L. Liu, “Regularized background adaptation: A novel learning rate control scheme for gaussian mixture modeling,” IEEE Trans. Image Process, vol. 20, no. 3, pp. 822–836, 2011.

[3] D.S. Lee, “Effective gaussian mixture learning for video background subtraction,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 27, no. 5, pp.827–832, 2005.

[4] Z. Zivkovic and F. van der Heijden, “Efficient adaptive density estimation per image pixel for the task of background subtraction,” Patten Recognition Letters, vol. 27, no. 7, pp. 773–780, 2006.

[5] Z. Zivkovic, “Improved adaptive gaussian mixture model for background subtraction,” in Proc. Int’l Conf. Pattern Recognition, vol. 2, pp.28– 31, 2004.

[6] P. Gorur and B. Amrutur, “Speeded up gaussian mixture model algorithm for background subtraction,” in Proc. IEEE Conf. Advanced Video and Signal-Based Surveillance, pp. 386–391, 2011.