• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of visual communication & image representation >Efficient visual object detection with spatially global Gaussian mixture models and uncertainties
【24h】

Efficient visual object detection with spatially global Gaussian mixture models and uncertainties

机译：利用空间全局高斯混合模型和不确定性进行有效的视觉对象检测

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this paper, we deal with the problem of visual detection of moving objects using innovative Gaussian mixture models (GMM). The proposed method, the Spatially Global Gaussian Mixture Model (SGGMM) uses RGB and pixel uncertainty for background modelling. The SGGMM with colours only is used for scenes with moderate illumination changes. When combined with pixel uncertainty statistics, the method can deal efficiently with dynamic backgrounds and scene backgrounds with fast change in luminosity. Experimental evaluation in indoor and outdoor environments shows the performance of the foreground segmentation with the proposed SGGMM model using solely RGB colour or in combination with pixel uncertainties. These experimental scenarios take into account changes in the background within the scene. They are also used to compare the proposed technique with other state-of-the-art segmentation approaches in terms of accuracy and execution time performance. Further, our solution is implemented and tested in embedded camera sensor network nodes. (C) 2015 Elsevier Inc. All rights reserved.
机译：在本文中，我们使用创新的高斯混合模型（GMM）处理运动对象的视觉检测问题。所提出的方法，空间全局高斯混合模型（SGGMM）使用RGB和像素不确定性进行背景建模。仅具有颜色的SGGMM用于亮度变化适中的场景。当结合像素不确定性统计信息时，该方法可以有效地处理动态背景和场景背景，并且亮度变化很快。在室内和室外环境中进行的实验评估表明，使用建议的SGGMM模型仅使用RGB颜色或结合像素不确定性，可以实现前景分割的性能。这些实验方案考虑了场景中背景的变化。在准确性和执行时间性能方面，它们还用于将所提出的技术与其他最新的分割方法进行比较。此外，我们的解决方案已在嵌入式摄像机传感器网络节点中实施和测试。 （C）2015 Elsevier Inc.保留所有权利。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号