简介
-
AOD系统,主要几种在处理过程中的两个主要阶段:静止物体检测和分类
- 遗留物对象可以通过两个规则确定:
- 候选对象是静止的
- 候选对象是无人值守的
- 候选对象是静止的,定义了一个时间规则,如果一个物体在一段时间内保持不动,则该物体认为是静止的,这取决于应用,通常是30秒或60秒
-
候选对象是无人值守的,对应的是空间规则,如果物体的所有者(即离开该物体的人)在空间上不接近该物体,则该物体被认为是无人值守的。这种接近性通常是通过考虑一个半径与物体大小成正比的椭圆或圆来定义的(例如,通常设置为物体宽度的三倍或3米的固定值)
- 遗留物检测规范框架
- 视频
- 前景分割
- 静止前景检测
- 生成候选对象
- 候选对象验证
- 遗留物对象检测
前景分割
- 前景分割,是许多应用的关键,其目的是将每个图像像素划分为前景或背景,从而产生包含感兴趣区域的前景蒙版,它代表前景
-
前景分割的三种方法:MOG(Mixtures of Gaussians), KNN, PAWCS, SFD(Stationary Foreground Detection)
- 背景减法(Background Subtraction, BS),由于对相机运行的相对控制,经常被用于AOD
- 传统的BS算法通常由四个阶段组成
- 建模,以统计的方式表示场景的背景
- 初始化,获取第一个模型
- 维护,使模型随着时间的推移适应场景的变化
- 以及检测,通过比较每一帧和模型来分割前景对象
双背景模型
- 双背景模型,用于从以不同学习率更新的两个背景减法模型中检测静止物体,即所谓的短期和长期背景模型
- 它们使用两种模型的事实导致它们考虑了更复杂的时空模式,为场景中的像素定义了四种可能的状态:移动的物体,候选的废弃物体,未揭开的背景,背景
- 这些状态是通过比较短期和长期前景蒙版来推断的。
候选验证模块
背景减除
- 通常流程
- 背景初始化
- 前景检测
- 背景维护
##
- 两个主要策略:
- 第一个策略是,用于提取候选静止物体的双重背景模型
- 第二个策略是,基于CNN特征的掩码区域的物体分割(Mask R-CNN),用于提供物体掩码信息
-
检测被遗留的物体的主要方法是,分析前景并选择静止的物体
- 由于阴影移动或光线变化引起的幽灵区域问题,是另一个需要关注的问题。幽灵区域是无意义的区域,即使它们不是被遗留的,也会作为前景中的静止物体出现。因此,仅仅通过分析前景就很难区分出被遗留的物体,被盗的物体和幽灵区域