2. 程式人生 > >MCD5.8ms-Detection of Moving Objects with Non-Stationary Cameras in 5.8ms: Bringing Motion Detection

MCD5.8ms-Detection of Moving Objects with Non-Stationary Cameras in 5.8ms: Bringing Motion Detection

阿新 • • 發佈：2018-12-02
  • CVPR2013的文章
  • 專案地址https://sites.google.com/view/kiminyun/profile
  • 下載下來的軟體有個隱藏的bug，程式能用，但是卡在第一幀，我猜是因為演算法對視訊解析度有要求,根據對演算法研究，輸入影象解析度必須是4（grid的大小）的倍數，854*480不行但裁剪成852*480就可以。
  • 運動目標檢測
  • 基於單高斯分佈
  • 那個精度很高，但是召回很低，因為這種方法對於網格大小劃分敏感，同時對最後的判別引數敏感，只要前景和背景稍稍相似，就檢測不出來，這是基於SGM的通病
  • 速度是槓槓的

1方法介紹

1.1single Gaussian model (SGM) with age

隨時間變化的單高斯模型

首先把影象I^{(t)}按進行網格分割

總共N*N個格子\{ G_i^{(t)} \}

網格中的畫素數目為\left | G_i^{(t)} \right |

畫素點的亮度為I_j^{(t)}

網格G_i^{(t)}中的亮度均值為\mu _i^{(t)}，方差\sigma _i^{(t)}，年齡\alpha _i^{(t)}

更新：

\mu _i^{(t)}=\frac{\tilde{\alpha}_i^{(t-1)}}{\tilde{\alpha}_i^{(t-1)}+1}\tilde{\mu} _i^{(t-1)}+\frac{1}{\tilde{\alpha}_i^{(t-1)}+1}M_i^{(t)}

\sigma _i^{(t)}=\frac{\tilde{\alpha}_i^{(t-1)}}{\tilde{\alpha}_i^{(t-1)}+1}\tilde{\sigma} _i^{(t-1)}+\frac{1}{\tilde{\alpha}_i^{(t-1)}+1}V_i^{(t)}

\alpha_i^{(t-1)}=\tilde{\alpha}_i^{(t-1)}+1

M_i^{(t)}=\frac{1}{\left | G_i^{(t)} \right |}\sum _{j\in G_i}I_j^{(t)}

V_i^{(t)}=\max_{j\in G_i}(\mu_i^{(t)}-M_i^{(t)})^2

1.2Dual-Mode SGM


原理

演算法對每個grid維持兩個SGM

Apparent Background Model :\mu _{A,i}^{(t)}，\sigma _{A,i}^{(t)}，\alpha _{A,i}^{(t)}

Candidate Background Model:\mu _{C,i}^{(t)}，\sigma _{C,i}^{(t)}，\alpha _{C,i}^{(t)}

更新策略：

如果 (M_i^{(t)}-\mu_{A,i}^{(t)})^2< \theta_s\sigma_{A,i}^{(t)} 則更新 Apparent Background Model

如果 (M_i^{(t)}-\mu_{C,i}^{(t)})^2< \theta_s\sigma_{C,i}^{(t)} 則更新 Candidate Background Model

如果 \alpha _{C,i}^{(t)}>\alpha _{A,i}^{(t)} 則用Candidate Background Model 替代 Apparent Background Model，Candidate Background Model重初始化

其它情況則同時重初始化兩個SGM

作用

使用單個SGM對背景進行建模，在簡單的情況時有不錯的效果，但是當使用大的學習率時，背景模型容易受到前景畫素的汙染。

我們方法中使用了變化的學習率，因此有較大的學習率是很常見的。

比如在初始化時，所有畫素年齡設為1，這時意味著在下一幀，這些畫素的學習率為0.5。比如在下一幀中，前景和背景的分佈分別為均值1，方差0.5 的高斯分佈和 均值2.5，方差0.5 的高斯分佈。如下圖所示，左邊是單一SGM的更新結果，整個分佈被前景所汙染，但是如右圖所示，使用Dual-ModeSGM後，由於前景分佈不符合Apparent Background Model更新的條件，Apparent Background Model不更新，而Candidate Background Model則更新為前景分佈。

1.3基於模型融合的運動補償

KLT+RANSAC求單應性矩陣，根據單應性矩陣得到一箇中心點在下一幀的位置，該位置四周有四個分佈，根據位置關係加權融合四個分佈得到新分佈，如下圖所示。

權重計算用∩面積。

2實驗

實驗的資料集是一篇論文裡的，文獻[8]，自己加了一個，還有一個是YouTube上的

 

 

 

相關推薦

MCD5.8ms-Detection of Moving Objects with Non-Stationary Cameras in 5.8ms: Bringing Motion Detection

CVPR2013的文章 專案地址https://sites.google.com/view/kiminyun/profile 下載下來的軟體有個隱藏的bug，程式能用，但是卡在第一幀，我猜是因為演算法對視訊解析度有要求,根據對演算法研究，輸入影象解析度必須是4（grid的大小）的倍

android studio 不能生成apk:Gradle build finished with 1 error(s) in 5 sec Unexpected error Local path do

大概原因是sdk版本過高無法自動生成apk(ps:無法生成還弄那麼高版本也是醉了)； 解決辦法是：先將android studio 關閉，找一個低版本的sdk,將sdk中的tools檔案複製；                         將android stu

SA-Foreground detection for moving cameras with stochastic approximation

文章地址：https://www.sciencedirect.com/science/article/pii/S0167865515003177 專案地址：http://www.lcc.uma.es/~ezeqlr/nonpan/nonpan.html 基於特徵和隨機逼近的方法

【論文筆記】用形狀做擋風玻璃上的雨滴檢測《Detection Of Raindrop With Various Shapes On A Windshield》

《Detection of Raindrop with Various Shapes on a Windshield》 1 介紹 2 雨滴檢測方法 在白天和夜晚使用不同的演算法。通過整幅影象的強度水平判斷是白天還是夜晚。 2.1 白天的雨滴檢測方法 這個方法假設

New device for manipulating and moving tiny objects with light

Researchers from the Structured Light group from the School of Physics at the University of the Witwatersrand in Johannesburg, South Africa, have found a

3% of users browse with IE9 and 14% of users have a disability. Why do we only cater for the former?

我的網站 作品 form 我不 post ability img gpo 想要 我想要用一個否定聲明來開始我的文章：對於怎樣創造一個易於用戶體驗的站點，我也不是了解非常多。 讓作為一個資深開發人員的我操心的是，我在並沒有獲得太多關於這個主題（指怎樣創造一個

讀書筆記 The Random Forest based Detection of Shadowsock's Traffic

base 讀書 tree 框架 mage 參數 mce ado rand 文章框架： 除去introduction、related work，文章首先介紹的是背景知識。1. 為什麽很難檢測Shadowsocks？ 2. 隨機森林算法介紹（就是一種分類器，可以將流量分為兩類，

[React] Create a queue of Ajax requests with redux-observable and group the results.

exe new sta fault merge tasks return cer convert With redux-observable, we have the power of RxJS at our disposal - this means tasks that

maximum sum of a subarray with at-least k elements.

ane rst tps required imu tor http from lar // Returns maximum sum of a subarray with at-least // k elements. static int ma

論文閱讀筆記《The Contextual Loss for Image Transformation with Non-Aligned Data》（ECCV2018 oral）

github 區域 偏移 org nbsp 修改 transfer style 但是 目錄： 相關鏈接 方法亮點 相關工作 方法細節 實驗結果 總結與收獲 相關鏈接 論文：https://arxiv.org/abs/1803.02077 代碼：https://

《System Service Call-oriented Symbolic Execution of Android Framework with Applications to...》論文閱讀筆記

System Service Call-oriented Symbolic Execution of Android Framework with Applications to Vulnerability Discovery and Exploit Generation 用於Andro

Cordova - CordovaError: Promise rejected with non-error: 'ios-deploy was not found

錯誤資訊： CordovaError: Promise rejected with non-error: 'ios-deploy was not found. Please download, build and install version 1.9.2 or greater from https:

NDK報錯：Process 'command 'D:\SDK\ndk-bundle/ndk-build.cmd'' finished with non-zero exit value 2

由於換了筆記本，在新筆記本中編譯NDK時，報瞭如下錯誤： Process 'command 'D:\SDK\ndk-bundle/ndk-build.cmd'' finished with non-zero exit value 2 膝上型電腦是新下的17版NDK，在網上查閱資料，並驗證，換

READ–IT: Assessing Readability of Italian Texts with a View to Text Simplification

https://aclanthology.info/pdf/W/W11/W11-2308.pdf   2 background2000年以前 ----傳統可讀性準則侷限於表面的文字特徵，例如the Flesch-Kincaid measure（現在還在用的最普遍的）是每個單詞的平均音節數和每個句

android整合環信sdk出現app:transformClassesWithDexForDebug.” ---finished with non-zero exit value 2解決方法

android整合環信sdk出現app:transformClassesWithDexForDebug.” —finished with non-zero exit value 2解決方法 通常是架包衝突問題。 首先找到Gradle Scripts 然後找到 解決： impleme

快速小目標檢測--Feature-Fused SSD: Fast Detection for Small Objects

Feature-Fused SSD: Fast Detection for Small Objects 本文針對小目標檢測問題，對 SSD 模型進行了一個小的改進，將 contextual information 引入到 SSD 中 幫助SSD檢測小目標。 contextual inf

C:\Users\zhen\AppData\Local\Android\Sdk\platform-tools\adb'' finished with non-zero exit value 1

Android studio編譯時報錯 Process 'command 'C:\Users\zhen\AppData\Local\Android\Sdk\platform-tools\adb'' finished with non-zero exit value 1 只需要在setting

Failed to execute aapt:Process 'command '/build-tools/28.0.2/aapt'' finished with non-zero exit value 1

Caused by: com.android.ide.common.process.ProcessException: Error while executing process /Users/houzhibin/Library/Android/sdk/build-tools/28.0.2/aapt with

Debugging & Visualising training of Neural Network with TensorBoard

Debugging & Visualising training of Neural Network with TensorBoard Introduction I started my deep learning journey a few years ba

obtain start and end timestamp of last week, with set of hour/minute/second 獲取上週開始和結束的時間戳，可以設定時分秒

var now=new Date()var nowDayOfWeek = now.getDay(); //今天本週的第幾天var nowDay = now.getDate(); //當前日var nowMonth = now.getMonth(); //當前月var nowYear = now.getFull