1. Volume 1, Number 1, 2021
  2. Дослідження методів виділення динамічних об’єктів у відеопослідовностях

Дослідження методів виділення динамічних об’єктів у відеопослідовностях

ICTEE.
2021;
Volume 1, Number 1
: 63-75
https://doi.org/10.23939/ictee2021.01.063
Authors:
  1. Mykhaylo Klymash
  2. V. Mrak
  3. O. V. Hordiichuk-Bublivska
1
Lviv Polytechnic National University
2
Lviv Polytechnik National University
3
Lviv Polytechnic National University, Lviv, Ukraine

This paper is devoted to the study of the most common background selection algorithms in video
sequences, methods of comparative analysis and quantitative characteristics for the selection of optimal
background selection algorithms. As a result of the conducted research the general indicator of efficiency
of work of algorithm of allocation of a background on the video sequences received from stationary
cameras of video surveillance in video surveillance systems is offered. A study of methods for detecting
dynamic objects in video sequences. Research of efficiency of application of various color schemes in
methods of selection of dynamic objects. The analysis of the advantages and disadvantages of a number of
color models and assumptions about the possibility of using other color schemes besides RGB, which are
characterized by the best photometric invariant features in the development of the method of selection of
dynamic objects.

video surveillance
intelligent video surveillance system
detection of dynamic objects
  1. Бабарика А. О. Обґрунтування показника вибору оптимального алгоритму виділення фону у відеопослідовностях з камер відеоспостереження відомчих систем відеоспостереження. Сучасні інформаційні технології у сфері безпеки та оборони. Київ: Національний університет оборони України, 2019. Вип. № 3 (36). С. 97–102. DOI : http://dx.doi.org/10.33099/2311-7249/2019-36-3-97-102.
  2. Бабарика А. О. Cистеми автоматичного розпізнавання обличчя як елемент інтелектуальної системи відеоспостереження. VІІІ науково-практична конференція “Наукове забезпечення службово-бойової діяльності Національної гвардії України”. Харків: НАНГУ, 2017. С. 71.
  3. Бабарика А. О. Класифікація алгоритмів супроводження рухомих об’єктів на відеопослідовностях з камер відеоспостереження. Міжнародна науково-практична конференція “Освітньо-наукове забезпечення діяльності складових сектору безпеки й оборони України”. Хмельницький: НАДПСУ, 2019. С. 672–674.
  4. Бабарика А. О., Табенський С. М. Актуальні проблеми вибору архітектури побудови відомчої інтелектуальної системи відеоспостереження. Освітньо-наукове забезпечення діяльності складових сектору безпеки і оборони України: тези ХІ всеукраїнської науково-практичної конференції. Хмельницький: НАДПСУ, 2018. С. 682–684.
  5. Бабарика А. О., Табенський С. М. Використання можливостей нейронних мереж для вирішення задач розпізнавання образів. Актуальні проблеми проектування, виготовлення і експлуатації озброєння та військової техніки: матеріали всеукраїнської науково-технічної конференції 17–19 травня 2017 р. Вінниця: ВНТУ, 2017. С. 39–41.
  6. Бабарика А. О., Хоптинський Р. П. Проблемні питання використання нейронних мереж в задачах розпізнавання образів на знімках поверхні Землі. Аерокосмічні технології в Україні: тези доповідей ІІІ науково-практичної конференції. Київ, 2019. С. 37–38.
  7. Катеринчук І. С., Бабарика А. О. Актуальні проблеми алгоритмічного забезпечення інтелектуальних систем відеоспостереження. Актуальні питання забезпечення службово-бойової діяльності військових формувань та правоохоронних органів: збірник тез доповідей науково-практичної конференції. Харків: НАНГУ, 2018. С. 72–74.
  8. Катеринчук І. С., Бабарика А. О. Обґрунтування завдань аналітичної обробки даних у відомчій системі відеоспостереження. Освітньо-наукове забезпечення діяльності складових сектору безпеки і оборони України: тези ХІ всеукраїнської науково-практичної конференції НАДПСУ. Хмельницький: НАДПСУ, 2018. С. 733–735.
  9. Катеринчук І. С., Бабарика А. О. Удосконалення алгоритму виявлення динамічних об’єктів на відеопослідовностях. Радіоелектроніка, інформатика, управління. Запоріжжя: ЗНТУ, 2020. Вип. 3. С. 88–98.
  10. Коваленко Н. В., Годовиченко Н. А., Антощук С. Г. Отслеживание объектов интереса при построении автоматизированных систем видеонаблюдения за людьми. Электротехнические и компьютерные системы. 2012. Вип. 05(81). С. 151–156.
  11. Ярышев С. Н. Цифровые методы обработки видеоинформации и видеоаналитика. Санкт-Петербург, 2011. 83 с.
  12. A Benchmark Dataset for Outdoor Foreground/Background Extraction. Computer Vision – ACCV 2012 Workshops: ACCV 2012 International Workshops. Part I. / Antoine Vacavant, Thierry Chateau, Alexis Wilhelm, Laurent Lequièvre. Daejeon, Korea, 2012. Р. 291–300.
  13. A Survey on Visual Surveillance of Object Motion and Behaviors. IEEE Transactions on Systems, Man and Cybernetics, Part C (Applications and Reviews) / H. Weiming. Р. 334–352. DOI: 10.1109/TSMCC.2004.829274.
  14. Automatic classification of fruit defects based on co-occurrence matrix and neural networks. IEEE Federated Conference on Computer Science and Information Systems (FedCSIS). / Giacomo Capizzi та ін. 2015. Р. 861–867.
  15. Babaryka Anatolii. Study of detection and tracking algorithms of moving objects in video sequences from video surveillance cameras. Conceptual and scientifically-methodical principles of realization of policy in the field of the state border security in Ukraine: collective monograph. Lviv-Toruń: Liha-Pres, 2019. Вип. Chapter 6. Р. 89–105. DOI: https://doi.org/10.36059/978-966-397-184-1/89-105.
  16. Background Subtraction Website. веб-сайт. URL: https://sites.google.com/site/backgroundsubtraction/testsequences/ human-activities (дата звернення: 09.01.2020).
  17. Barnich O., Van Droogenbroeck M. ViBe: a powerful random technique to estimate the background in video sequences. Speech and Signal Processing, 2009 IEEE International Conference on Acoustics. Taipei, 2009. Р. 945–948. DOI : 10.1109/ICASSP.2009.4959741.
  18. Barnich O., Van Droogenbroeck M. ViBe: A universal background subtraction algorithm for video sequences. IEEE Transactions on Image Processing. 2011. Вип. 20 (6). Р. 1709–1724. DOI: 10.1109/TIP.2010.2101613.
  19. Bouwmans T. Traditional and recent approaches in background modeling for foreground detection: An overview. Computer Science Review. 2014. Вип. 11. Р. 31–66. URL: https://doi.org/10.1016/j.cosrev.2014.04.001. (дата звернення : 09.01.2020).
  20. Brutzer S., Hoferlin B., Heidemann G. Evaluation of Background Subtraction Techniques for Video Surveillance. Proceedings of the 24th IEEE Conference on Computer Vision and Pattern Recognition. Colorado Springs, CO, USA, 2011. Р. 1937–1944.
  21. CDnet 2014: An Expanded Change Detection Benchmark Dataset. 2014 IEEE Conference on Computer Vision and Pattern Recognition Workshops / Wang Yi at al. Columbus, OH, 2014. Р. 393–400.
  22. ChangeDetection.NET (CDNET). веб-сайт. URL: http://www.changedetection.net (дата звернення: 09.01.2020).
  23. Comparative study of background subtraction algorithms. Journal of Electronic Imaging. Yannick Benezeth та ін. 2010. Вип. 19 (3). URL: https://doi.org/10.1117/1.3456695. (дата звернення: 09.01.2020).
  24. Cristani M., Farenzena M., Bloisi D., Murino V. Background Subtraction for Automated Multisensor Surveillance. A Comprehensive Review. EURAS1P Journal on Advances in Signal Processing. 2010. Р. 24.
  25. Gevers T., Smeulders A.W. Color-based object recognition. Pattern Recognition. 1999. Is. 32. Р. 453–464. DOI : https://doi.org/10.1016/S0031-3203(98)00036-3.
  26. Godbehere A., Matsukawa A., Goldberg K. Y. Visual Tracking of Human Visitors under Variable-Lighting Conditions for a Responsive Audio Art Installation. American Control Conference (ACC). Montreal, QC, Canada, 2012. Р. 4305–4312. DOI: 10.1109/ACC.2012.6315174.
  27. Hayman E., Eklundh J. Statistical background subtraction for a mobile observer. Proceedings Ninth IEEE International Conference on Computer Vision. 2003. Р. 67–74. DOI: 10.1109/ICCV.2003.1238315.
  28. MacAdam D. L. Projective transformations of I.C.I. color specifications. Journal of the Optical Society of America. 1937. Vol. 27 (8). Р. 294–299. DOI: 10.1364/JOSA.27.000294.
  29. Minghao Yang, Jianhua Tao, Lihui Shi, Kaihui Mu, Jianfeng Che. An outlier rejection scheme for optical flow tracking. IEEE International Workshop on Machine Learning for Signal Processing. 2011. С. 18–21.
  30. Napoli C., Pappalardo G., Tramontana E., Nowicki R.K., Starczewski J.T., Wozniak M. Toward work groups classification based on probabilistic neural network approach. Artificial Intelligence and Soft Computin. 2015. Vol. 9119. P. 79–89.
  31. Rasouli A., Tsotsos K. The effect of color space selection on detectability and discriminability of colored objects. Arxiv.org: веб-сайт. URL: https://arxiv.org/abs/1702.05421 (дата звернення: 09.01.2020).
  32. Robust Color Contour Object Detection Invariant to Shadows. Progress in pattern recognition, image analysis and applications (CIARP’07) / Scandaliaris J. та ін. Berlin : Springer-Verlag, 2007. P. 301–310. DOI: 10.1007/978-3-540-76725-1_32.
  33. Salvador E., Cavallaro A., Ebrahimi T. Cast shadow segmentation using invariant color features. Computer Vision and Image Understanding. 2004. Vol. 95. P. 238–259. DOI: j.cviu.2004.03.008.
  34. Salvador E., Cavallaro A., Ebrahimi T. Shadow identification and classification using invariant color models. 2001 IEEE International Conference on Acoustics, Speech, and Signal Processing. Salt Lake City, UT, USA, 2001. P. 1545–1548. DOI: 10.1109/ICASSP.2001.941227.
  35. Sobral Andrews, Vacavant Antoine. A comprehensive review of background subtraction algorithms evaluated with synthetic and real videos. Computer Vision and Image Understanding. 2014. Vol. 122. P. 4–21. URL: https://doi.org/10.1016/j.cviu.2013.12.005. (дата звернення : 09.01.2020).
  36. Stauffer C., Grimson W. Adaptive background mixture models for real-time tracking. Computer Society Conference on Computer Vision and Pattern Recognition. 1999. P. 2246–2252. DOI: 10.1109/ CVPR.1999.784637.
  37. Stuttgart Artificial Background Subtraction Dataset. Institute for Visualisation and Interactive Systems (VIS): веб-сайт. URL: https://www.vis.uni-stuttgart.de/forschung/visual_analytics/visuelle_ana... stuttgart_artificial_background_subtraction_dataset/index.en.html (дата звернення: 09.01.2020).
  38. Viola P., Jones M. Robust real-time face detection. International journal of computer vision. 2004. Vol. 57, No. 2. P. 137–154.
  39. Viola P, Jones M, Snow D. Detecting pedestrians using patterns of motion and appearance. International Journal of Computer Vision. 2005. Vol. 63, No 2. P. 153–161.
  40. Wyszecki G. Proposal for a New Color-Difference Formula. Journal of the Optical Society of America. 1963. P. 1318–1319. DOI: 10.1364/JOSA.53.001318.
  41. Zhao T., Nevatia R. Tracking multiple humans in complex situations. IEEE Trans. on Pattern Analysis and Machine Intelligence. 2004. Vol. 26, No. 9. P. 1208–1221.
  42. Zivkovic Z., F. van der Heijden. Efficient adaptive density estimation per image pixel for the task of background subtraction. Pattern Recognition Letters. 2006. No. 27. P. 773–780. DOI: https://doi.org/ 10.1016/j.patrec.2005.11.005.
  43. Zivkovic Z. Improved Adaptive Gaussian Mixture Model for Background Subtraction. Proceedings of the 17th International Conference on Pattern Recognition. 2004. No. 2. P. 28–31. DOI: 10.1109/ICPR.2004.1333992.
  44. Borgefors G. Distance Transformations in digital images. Computer Vision, Graphics, and Image Processing. 1986. No. 34. P. 344–371. URL: https://www.sciencedirect.com/science/article/pii/S0734189X86800470? via%3Dihub. (дата звернення: 09.01.2020).