A Fast Background Subtraction Method Robust to High Traffic and Rapid Illumination Changes

많은 통행량과 조명 변화에 강인한 빠른 배경 모델링 방법

  • 이광국 (한양대학교 전자통신컴퓨터공학과) ;
  • 김재준 (한양대학교 건축공학부) ;
  • 김회율 (한양대학교 전자컴퓨터통신공학부)
  • Received : 2009.08.03
  • Accepted : 2010.02.19
  • Published : 2010.03.31

Abstract

Though background subtraction has been widely studied for last decades, it is still a poorly solved problem especially when it meets real environments. In this paper, we first address some common problems for background subtraction that occur in real environments and then those problems are resolved by improving an existing GMM-based background modeling method. First, to achieve low computations, fixed point operations are used. Because background model usually does not require high precision of variables, we can reduce the computation time while maintaining its accuracy by adopting fixed point operations rather than floating point operations. Secondly, to avoid erroneous backgrounds that are induced by high pedestrian traffic, static levels of pixels are examined using shot-time statistics of pixel history. By using a lower learning rate for non-static pixels, we can preserve valid backgrounds even for busy scenes where foregrounds dominate. Finally, to adapt rapid illumination changes, we estimated the intensity change between two consecutive frames as a linear transform and compensated learned background models according to the estimated transform. By applying the fixed point operation to existing GMM-based method, it was able to reduce the computation time to about 30% of the original processing time. Also, experiments on a real video with high pedestrian traffic showed that our proposed method improves the previous background modeling methods by 20% in detection rate and 5~10% in false alarm rate.

배경 제거를 위한 많은 연구가 있어왔음에도 기존의 방법들을 실제 환경에 효과적으로 적용하기에는 아직도 많은 어려움이 있다. 본 논문에서는 배경 제거를 실제 환경에 적용하면서 만나게 되는 다양한 문제들을 해결하기 위해 기존의 가우시안 혼합 모델 방법을 개선하는 배경 제거 방법을 제안한다. 첫째로 제안한 방법은 낮은 계산량을 얻기 위하여 고정 소수점 연산을 이용하였다. 배경 모델링 과정은 변수들의 높은 정밀도를 요구하지 않기 때문에 제안한 방법에서는 고정 소수점 변수를 이용함으로서 정확도를 유지한 채 연산 속도를 크게 향상시킬 수 있었다. 두 번째로 보행자들의 높은 통행량 하에서 흔히 발생되는 전경 객체가 배경으로 학습되는 문제를 피하기 위하여 각 화소의 정적인 정도를 이용하여 배경 모델의 학습 속도를 동적으로 조절하였다. 즉 최근 화소 값에 큰 차이가 발생한 화소들은 배경 영역이 아닐 가능성이 높으므로, 이에 대해 낮은 학습 비율을 적용함으로써 높은 통행량을 보이는 영상에서도 유효한 배경 모델을 유지하는 것이 가능했다. 마지막으로 영상의 빠른 밝기값 변화에 대응하기 위하여 연속한 두 프레임 간의 밝기 변화를 선형 변환으로 추정하였으며, 훈련된 배경 모델을 이 선형 변환에 의해 직접적으로 변환시켜 주었다. 제안한 고정 소수점 연산에 의해 기존의 가우시안 혼합 배경 모델링 방법을 구현한 결과 배경 제거에 기존 방법의 약 30%의 연산시간 만을 필요로 하였다. 또한 제안한 방법을 실제 환경의 영상에 적용한 결과 기존의 배경 제거 방법에 비해 검출률이 약 20% 향상되었으며, 오검률은 5~15% 가량 낮아지는 것을 확인하였다.

Keywords

References

  1. I. Haritaoglu, D. Harwood, L. Davis, I. Center, and C. San Jose, "W 4: real-time surveillance of people and their activities," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.22, pp. 809-830, 2000. https://doi.org/10.1109/34.868683
  2. C. Stauffer and W. Grimson, "Adaptive back ground mixture models for real-time tracking," IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Vol.2, pp. 246-252, 1999.
  3. P. KaewTraKulPong and R Bowden, " An improved adaptive backg round mixture model for real- time tracking with shadow detection," European Workshop on Advanced Video Based Surveillance Systems, Vol.5308, 2001.
  4. M. Mason and Z. Duric, "Using histograms to detect and track objects in color video," Applied Imagery Pattern Recognition Workshop, pp.154-159, 2001.
  5. M. Heikkila and M. Pietikainen, "A texture- based method for modeling the back ground and detecting moving objects," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.28, pp. 657-662, 2006. https://doi.org/10.1109/TPAMI.2006.68
  6. M. Harville, G. Gordon, and J. Woodfill, "Foreground segmentation using adaptive mixture models in color and depth," IEEE Workshop on Detection and Recognition of Events in Video, pp. 3-11, 2001.
  7. Q. Zhu, S. Avidan, and K Cheng, "Learning a sparse, corner-based representation for time-varying background modelling," IEEE International Conference on Computer Vision, Vol. 1, pp. 678-685, 2005.
  8. K. Brumitt and B. Meyers, "Wallflower Principles and practice of background main tenance," International Conference on Computer Vision, pp. 255-261, 1999.
  9. P. Kumar, S. Ranganath, and W. Huang, "Queue based fast background modelling and fast hysteresis thresholding for better foreground segmentation," the Fowth International Conference on Information, Communications and Signal Processing, Vol.2, pp. 743-747, 2003.
  10. S. Apewokin, B. Valentine, L Wills, S. Wills, and A. Genti le, "Multimoclal Mean Adaptive Backgrounding for Embedded Real- Time Video Surveillance," IEEE Conference on Computer Vision and Pattern Recognition, pp.1-6, 2007.
  11. 가기환, 이광국, 윤자영, 김재준, 김회율, "군중밀도 측정을 위한 자동 특징량 정규화 방법," 대한 전자공학회 추계학술대회 논문집 pp. 669-670, 2007.
  12. P. Viola and M. Jones, "Rapid Object Detection using a Boosted Cascade of Simple Features," IEEE Conference on Computer Vision and Pattern Recognition, pp. 8-14, 2001.
  13. Z. Tang and Z. Miao, "Fast Background Subtraction and Shadow Elimination Using Improved Gaussian Mixture Model," IEEE International Workshop on Haptic Audio Visual Environments and their Applications, pp. 38-41, 2007.
  14. G.-G. Lee, S. Song, J.-Y. Yoon, J. -J. Kim, and W. -Y. Kim, "Adaptive Learning of Background Model for Crowd Scenes," International Conference on Multimedia, Information Technology and its Application, pp. 77-80, 2008.