A Multi-view Learning Approach to Foreground Detection for Traffic Surveillance Applications
A Multi-view Learning Approach to Foreground Detection for Traffic Surveillance Applications
复制标题
交通监控应用前景检测的多视图学习方法
DOI：
10.1109/tvt.2015.2509465
复制
发表时间：
2016-06
影响因子：
6.8
通讯作者：
Fei-Yue Wang
中科院分区：
文献类型：
--
作者：
Kunfeng Wang;Yuqiang Liu;Chao Gou;Fei-Yue Wang
针对交通监控应用中的前景检测问题，提出了一种有效的多视角学习方法。这种方法包括三个主要步骤。首先，通过时间中值滤波生成参考背景图像，并从视频序列中提取多个异质特征(包括亮度变化、色度变化和纹理变化，每个特征代表一个唯一的视角)。然后，设计了一种多视点学习策略，在线估计前景和背景的条件概率密度。三种特征的概率密度在条件上近似独立，并用核密度估计进行估计。利用贝叶斯准则进行像素软标记，计算像素化前景后方。最后，构造马尔可夫随机场，将时空上下文引入到前景/背景决策模型中。使用置信度传播算法对当前帧的每个像素进行标记。实验结果表明，该方法能有效地从具有挑战性的交通环境中检测出前景目标，并优于现有的一些方法。
This paper proposes an effective multi-view learning approach to foreground detection for traffic surveillance applications. This approach involves three main steps. First, a reference background image is generated via temporal median filtering, and multiple heterogeneous features (including brightness variation, chromaticity variation, and texture variation, each of which represents a unique view) are extracted from the video sequence. Then, a multi-view learning strategy is devised to online estimate the conditional probability densities for both the foreground and the background. The probability densities of three features are approximately conditionally independent and are estimated with kernel density estimation. Pixel soft labeling is conducted by using Bayes rule, and the pixelwise foreground posteriors are computed. Finally, a Markov random field is constructed to incorporate the spatiotemporal context into the foreground/background decision model. The belief propagation algorithm is used to label each pixel of the current frame. Experimental results verify that the proposed approach is effective to detect foreground objects from challenging traffic environments and outperforms some state-of-the-art methods.
登录
查看更多内容
DOI：
--
发表时间：
2014
期刊：
--
影响因子：
--
作者：
Jonathan H. Connell;Matthew Chung
通讯作者：
Jonathan H. Connell;Matthew Chung
DOI：
10.1109/34.598236
发表时间：
1997-07-01
影响因子：
23.6
作者：
Wren, CR;Azarbayejani, A;Pentland, AP
通讯作者：
Pentland, AP
DOI：
10.1109/afgr.1996.557243
发表时间：
1996-01
期刊：
Proceedings of the Second International Conference on Automatic Face and Gesture Recognition
影响因子：
--
作者：
C. Wren;A. Azarbayejani;Trevor Darrell;A. Pentland
通讯作者：
C. Wren;A. Azarbayejani;Trevor Darrell;A. Pentland
DOI：
10.1109/tcsvt.2013.2273622
发表时间：
2013-12
影响因子：
8.4
作者：
Mahfuzul Haque;M. Murshed
通讯作者：
Mahfuzul Haque;M. Murshed
DOI：
10.1109/tifs.2014.2313919
发表时间：
2014-05
影响因子：
6.8
作者：
Rubén Heras Evangelio;Michael Pätzold;I. Keller;T. Sikora
通讯作者：
Rubén Heras Evangelio;Michael Pätzold;I. Keller;T. Sikora