한국통신학회논문지 (The Journal of Korean Institute of Communications and Information Sciences)

한국통신학회 (The Korean Institute of Commucations and Information Sciences)
권호 표지

오일러 수와 구조 텐서를 사용한 개선된 Nonparametric 변화 검출 알고리즘

An Improved Nonparametric Change Detection Algorithm Using Euler Number and Structure Tensor

  • 이웅희 (인하대학교 전자공학과) ;
  • 김태희 (한국전자통신연구원 전파방송연구소) ;
  • 정동석 (인하대학교 전자공학과)
  • 발행 : 2003.10.01
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

동영상에서 움직이는 객체를 찾아내기 위해 프레임 차분에 기반을 둔 변화 검출 알고리즘이 많이 사용된다. 이러한 알고리즘들은 프레임의 변화를 추정된 통계적 배경 모델을 이용하여 검출한다. 그러나 이러한 추정된 배경 모델이 실제 통계적 분포와 다르면 잘못된 검출 결과들이 생성되게 된다. 본 논문에서는 오일러 수와 구조적 텐서를 이용한 개선된 변화 검출 알고리즘을 제안한다. 제안된 오일러 수에 기반을 둔 맵핑 방법은 Nonparametric 변화검출 알고리즘에 의해 잘못 검출된 결과를 감소시키는데 사용될 수 있다. 또한 본 논문에서 제안된 구조 텐서를 이용한 방법은 움직인 객체 영역 내부의 변화를 검출하는데 사용된다. 제안된 방법은 기존의 방법에 비해 Weather에서는 90%, Mother & daughter에서는 34% 그리고 Aisle에서는 43%의 검출 에러 감소 효과를 얻을 수 있음을 실험 결과로 확인한다.

Change detection algorithms based on frame difference are frequently used for finding moving objects in image sequences. These algorithms detect the change of frames using estimated statistical background model. But, if this estimated background model is different from the actual statistical distribution, false detections are generated. In this paper, we propose an improved change detection algorithm using euler number and structure tensor. The proposed mapping method which is based on the euler number can be used for reducing the false detections that generated by nonparametric change detection algorithm. In this paper, the change in the region of moving object also can be detected by the proposed method using structure tensor. Experimental result shows that the proposed method reduces the false detections effectively by 90% on "Weather", by 34% on "Mother & daughter" and by 43% on "Aisle" than an existing method does.

키워드

참고문헌

  1. L. Li and M. K. Leung, 'Integrating intensity and texture differences for robust change detection,' 1EEE Trans. on Image Processing, vol. 11, no. 2, PP. 105-112, Feb. 2003
  2. P. L. Rosin, 'Thresholding for change detection,' Computer Vision and Image Understanding, vol. 86, no. 2, PP. 79-95, 2002 https://doi.org/10.1006/cviu.2002.0960
  3. A. Elgammal, R. Duraiswami, D. Harwood and L. S. Davis, 'Background and foreground modeling using nonparametric kernel density estimation for visual surveillance,' Proceedings of the IEEE , vol. 90, no. 7, PP. 1151-1163, July 2002 https://doi.org/10.1109/JPROC.2002.801448
  4. Y. Tsaig and A. Averbuch, 'Automatic segmentation of moving objects in video sequences: A region labeling approach,' IEEE Trans. on Circuits and Syst. Video Technol, vol. 12, no. 7, PP. 597-612, July 2002 https://doi.org/10.1109/TCSVT.2002.800513
  5. F. Long, D. Feng, H. Peng, and W. Siu, 'Extracting semantic video objects,' IEEE Computer Graphics and Applications, vol. 21, no. 1, PP. 48-55, January/February 2003 https://doi.org/10.1109/38.895132
  6. M. Kim, J. G. Choi, D. Kim, H. Lee, M. H. Lee, C. Ahn, and Y. Ho, 'A VOP generation tool : Automatic segmentation of moving objects in image sequences based on spado-temporal information,' IEEE Trans. on Circuit and Syst. Video Technot., vol. 9, no. 8, PP. 1216-1226, Dec. 1999 https://doi.org/10.1109/76.809157
  7. L. Snidaro and G. L. Foresti, 'Real-time thresholding with euler numbers,' Pattern Recognition Letters, vol. 24, no. 9-10, PP. 1533-1544, June 2003 https://doi.org/10.1016/S0167-8655(02)00392-6
  8. S. B. Gray, 'Local properties of binary images in two dimensions,' IEEE Trans. on Computers, vo1.20, no. 5, PP. 551-561, May 1971 https://doi.org/10.1109/T-C.1971.223289