대한전자공학회논문지SP (Journal of the Institute of Electronics Engineers of Korea SP)

대한전자공학회 (The Institute of Electronics and Information Engineers)
권호 표지

클러스터링과 마르코프 랜덤 필드를 이용한 배경 모델링 기법 제안

Improving Clustering-Based Background Modeling Techniques Using Markov Random Fields

  • 한희얼 (한국외국어대학교 정보통신공학과) ;
  • 박수빈 (한국외국어대학교 정보통신공학과)
  • Hahn, Hee-Il (Department of Information and Communications Engineering, Hankuk University of Foreign Studies) ;
  • Park, Soo-Bin (Department of Information and Communications Engineering, Hankuk University of Foreign Studies)
  • 투고 : 2010.11.16
  • 심사 : 2011.01.07
  • 발행 : 2011.01.25
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

본 논문에서는 마르코프 랜덤 필드(Markov random fields: MRF) 기반으로 배경을 모델링하는 방식과 함께 관련 파라미터들을 추정하는 알고리즘을 제안한다. 화소 기반의 배경 모델링 기법은 인근 화소 간의 연관성을 고려하지 않고 화소 단위의 시간적 변화에 대한 통계적 특성에 주로 의존하므로 판정 오류를 줄이는데 한계가 있다. 제안 알고리즘은 화소 기반으로 배경 모델을 일차적으로 수행한 다음 MRF를 이용하여 시공간적으로 인근한 화소 간의 상호 의존성을 활용하여 배경모텔의 정확도를 향상시키는데 그 목적을 두고 있다. MRF는 기본적으로 파라미터의 크기에 매우 민감하므로 기존의 MRF 기반 알고리즘은 이미지에 따라 적절한 값을 사전에 구하여 적용하고 있다. 제안한 방식은 초기에 임의의 파라미터로 배경/전경 상태변수를 구한 후에 이의 통계적 특성을 이용하여 파라미터들을 추정하고 추정된 파라미터를 적용하여 상대변수를 재차 구하는 과정을 반복함으로써 최적의 파라미터에 적응적으로 수렴하도록 조정한다. 실내외의 다양한 환경에서 촬영한 비디오를 이용하여 제안한 방식 성능을 확인한다.

It is challenging to detect foreground objects when background includes an illumination variation, shadow or structural variation due to its motion. Basically pixel-based background models including codebook-based modeling suffer from statistical randomness of each pixel. This paper proposes an algorithm that incorporates Markov random field model into pixel-based background modeling to achieve more accurate foreground detection. Under the assumptions the distance between the pixel on the input imaging and the corresponding background model and the difference between the scene estimates of the spatio-temporally neighboring pixels are exponentially distributed, a recursive approach for estimating the MRF regularizing parameters is proposed. The proposed method alternates between estimating the parameters with the intermediate foreground detection and estimating the foreground detection with the estimated parameters, after computing it with random initial parameters. Extensive experiment is conducted with several videos recorded both indoors and outdoors to compare the proposed method with the standard codebook-based algorithm.

키워드

과제정보

연구 과제 주관 기관 : 한국외국어대학교

참고문헌

  1. C. Stauffer, W.E.L. Grimson, "Adaptive background mixture models for real-time tracking,' international Journal of Computer Vision, IEEE International Conference on Computer Vision and Pattern Recognition, Vol. 2, pp.246-252, 1999.
  2. A. Elgammal, R. Duraiswami, D. harwood, L.S. Davis, "Background and foreground modeling using nonparametric kernel density estimation for visual surveillance," pp. 1151-1163, Proc. IEEE, vol. 90, no. 7, Jul, 2002. https://doi.org/10.1109/JPROC.2002.801448
  3. D. Buttler, S. Sridharan, V.M. Bove Jr., "Real-time adaptive background segmentation,." ICASSP'03, pp. 349-352, 2003.
  4. K. Kim, T.H. Chalidabhongse, D. Harwood, "Real-time foreground-background segmentation using codebook model," Elsevier Real-Time Imaging, vol. 11, pp. 172-185, 2005. https://doi.org/10.1016/j.rti.2004.12.004
  5. J. Migdal and W. E. Grimson, "Background subtraction using Markov thresholds," Proceedings of the IEEE Workshop on Motion and Video Computing(WACV/MOTION'05), 2005.
  6. M. Wu and X. Peng, "Spatio-temporal context for codebook-based dynamic background subtraction," International Journal of Electronics and Communications, pp. 739-747, 2010.
  7. M. Berthod, Z. Kato, S. Yu, J. Zerubia, "Bayesian image classification using Markov random fields," Image Vision Comput 1996; 14:285-95. https://doi.org/10.1016/0262-8856(95)01072-6
  8. Y. Chen, C. Chen, C. Huang, Y. Hung, "Efficient hierarchical method for background subtraction," Pattern Recognition, pp. 2706-2715, 2007.
  9. J. S. Yedidia, W. T. Freeman and Y. Weiss, "Understanding belief propagation and its generalizations," TR-2001-22, Jan. 2002.
  10. P. F. Felzenszwalb and D. P. Huttenlocher, "Efficient belief propagation for early vision," Proc. Conf. Computer Vision and Pattern Reccognition, pp.261-268, 2004.
  11. L. Zhang and S. M. Seitz, "Estimating optimal parameters for MRF stereo from a single image pair," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.29, no.2, pp.331-342, Feb. 2007. https://doi.org/10.1109/TPAMI.2007.36
  12. J. M. McHugh, J. Konrad, V. Saligrama, and P. Jodoin, "Foreground-adaptive background subtraction," IEEE Signal Processing Letters, vol.16, issue 5, pp.390-393, 2009. https://doi.org/10.1109/LSP.2009.2016447