Foreground region detection and tracking for fixed cameras

Abstract

Gerçek zamanlı önplan tanıma ve ayrıştırma uygulamalarında, önplan ve arkaplan modelleme önemli bir yer teşkil etmektedir. Stauffer ve Grimson metodu, önplan çıkarımında yaygın olarak kabul görmüş başarılı bir metottur. Bu mettota, her piksel ayrı ve bağımsız bir Gauss karışımı ile modellenir. Piksellerin önplan olma olasılıkları doğrudan kullanılmaz. Zamansal ve mekansal süreklilik göz ardı edilir. Bu çalışmada, Stauffer ve Grimson metodundan hareketle, piksellerin önplan olma olasılıklarını belirleyip, histeresiz eşikleme yaparak mekansal sureklilik bilgisini kullandık. Aynı amaçla, Markov Rasgele Alanları temelli modelleme ve optimizasyon uyguladık. Zamansal devamlılık bilgisini kullanabilmek için de; ortalama kaydırma metodu ile nesne takibini, önplan ayrıştırmaya dahil ettik. Uygun olan durumlar için birkaç metodu birlikte kullandık.Çalışmamızda, önplan belirleme başarımını önemli derecede arttırdık.

For real-time foreground detection on videos, probabilistic modeling for background andforeground colors are widely used. Stauer and Grimson's model is very successful forforeground segmentation. In this method, each pixel is modeled independently withGaussian mixtures. Explicit foreground probabilities for pixels are not calculated. Spatialand temporal continuity of pixels are omitted.In this thesis, we obtain foreground probabilities for the pixels using Stauer and Grimson'smodel and apply hysteresis thresholding to utilize spatial continuity of pixels. Forthe same purpose, we also use Markov Random Field modeling and optimizations. Toleverage the temporal continuity of pixels, mean-shift tracking is integrated into thesegmentation to increase accuracy. Wherever applicable, we combine some of theseimprovements together. Our work shows that using the probabilistic approach withdierent enhancements results in much higher segmentation accuracy.