Moving object detection and tracking in wavelet compressed video

Abstract

Görüntü tabanlı pek çok güvenlik sisteminde sıkıştırma yöntemi olarak dalgacık dönüşümü kullanılmaktadır. Bu çalışmada, dalgacık dönüşümüyle sıkıştırılmış videolarda, hareketli nesne tespiti ve takibiyle ilgili bir yöntem geliştirilmiştir. Yöntem, her resim için arka plana ait dalgacık dönüşümü katsayılarının kestirilmesi esasına dayanmaktadır. Mevcut andaki resme ait dalgacık dönüşümü katsayıları, arkaplana ait katsayılarla karşılaştırılarak, hareketli nesneler tespit edilmektedir. Yöntem dalgacık dönüşümünün tersini almadan hareketli nesneleri bulabildiği için diğer yöntemlere göre çok daha az işlem gerektirir. Diğer taraftan, hareketli nesnelerin büyüklükleri ve konumlan da tespit edilebilmektedir. Bu, dalgacık dönüşümünün hem konum hem de sıklık bilgisi içermesi sayesinde mümkün olmaktadır. Nesne takibi böylelikle gerçekleştirilmiştir. Yöntemin bir başka özelliği de yavaşlayan ve duran nesneleri de tespit edebiliyor olmasıdır. Bu da, otoyol görüntülenmesi, sıra denetimi, vb. pekçok uygulama için önemli bir özelliktir.Anahtar kelimeler: dalgacık dönüşümü, resim içi sıkıştırma, arkaplan kestirimi, video nesnesi, takip etme, doğrusal olamayan oylama, görüntü tabanlı güvenlik sistemleri. vı

In many surveillance systems the video is stored in wavelet compressed form. An algorithm for moving object and region detection in video that is compressed using a wavelet transform (WT) is developed. The algorithm estimates the WT of the background scene from the WTs of the past image frames of the video. The WT of the current image is compared with the WT of the background and the moving objects are determined from the difference. The algorithm does not perform inverse WT to obtain the actual pixels of the current image nor the estimated background. This leads to a computationally efficient method and a system compared to the existing motion estimation methods. In a second aspect, size and locations of moving objects and regions in video is estimated from the wavelet coefficients of the current image, which differ from the estimated background wavelet coefficients. This is possible because wavelet coefficients of an image carry both frequency and space information. In this way, we are able to track the detected objects in video. Another feature of the algorithm is that it can determine slowing objects in video. This is important in many practical applications including highway monitoring, queue control, etc. mKeywords: wavelet transform, intra-frame compression, background subtraction, video object tracking, non-linear voting, video-based surveillance systems.