A Deep Convolutional Neural Network for Background Subtraction
A Deep Convolutional Neural Network for Background Subtraction
复制标题
DOI：
--
复制
发表时间：
2017-02
期刊：
影响因子：
--
通讯作者：
M. Babaee;D. Dinh;G. Rigoll
中科院分区：
文献类型：
--
作者：
M. Babaee;D. Dinh;G. Rigoll
在这项工作中，我们提出了一种新的背景减法系统，该系统使用深度卷积神经网络（CNN）来执行分割。使用这种方法，特征工程和参数调整变得不必要，因为网络参数可以通过训练一个可以处理各种视频场景的CNN从数据中学习。此外，我们还提出了一种新的视频背景模型估计方法。对于CNN的训练，我们随机使用了5%的视频帧及其从2014年变化检测挑战（CDnet 2014）中提取的地面真值分割。我们还利用空间中值滤波作为网络输出的后处理。我们的方法使用不同的数据集进行评估，并且网络在不同评估指标的平均排名方面优于现有算法。此外，由于网络架构，我们的CNN具有实时处理的能力。
In this work, we present a novel background subtraction system that uses a deep Convolutional Neural Network (CNN) to perform the segmentation. With this approach, feature engineering and parameter tuning become unnecessary since the network parameters can be learned from data by training a single CNN that can handle various video scenes. Additionally, we propose a new approach to estimate background model from video. For the training of the CNN, we employed randomly 5 percent video frames and their ground truth segmentations taken from the Change Detection challenge 2014(CDnet 2014). We also utilized spatial-median filtering as the post-processing of the network outputs. Our method is evaluated with different data-sets, and the network outperforms the existing algorithms with respect to the average ranking over different evaluation metrics. Furthermore, due to the network architecture, our CNN is capable of real time processing.