Apa metode canggih untuk menangani masalah pencahayaan dalam pengurangan latar belakang?


8

Saya telah berjuang untuk menemukan pendekatan yang dikutip dengan baik untuk ini. Pada dasarnya, saya bereksperimen dengan algoritma pengurangan latar belakang yang berbeda, tetapi tidak ada yang bekerja dengan baik ketika ada perubahan pencahayaan yang signifikan (katakanlah, dari jendela di tempat kejadian mendapatkan silau yang signifikan pada waktu tertentu).

Pertanyaannya sederhana (relatif): apa metode mutakhir untuk pengurangan latar belakang dengan perubahan iluminasi mendadak? Skenario saya adalah kamera pengintai.

Jawaban:


4

Pendekatan standar adalah dengan menggunakan campuran Gaussians untuk memodelkan berbagai hukum yang memerintahkan intensitas piksel. Dalam pendekatan ini, sebuah piksel dapat ditetapkan beberapa hukum normal (dengan rerata dan varian berbeda), masing-masing akan memodelkan nilainya dalam kondisi yang berbeda. Tentu saja, hanya 1 Gaussian yang perlu aktif pada satu waktu.

Sementara jumlah maksimum Gaussians dalam campuran adalah parameter (tetap), parameter masing-masing Gaussian dipelajari secara online. Anda dapat menemukan contoh implementasi di perpustakaan OpenCV .

Beberapa tahun yang lalu, seseorang (maaf, saya tidak dapat menemukan nama itu lagi) mengusulkan pendekatan alternatif yang menarik: menggunakan variasi orientasi gradien gambar alih-alih variasi intensitas cahaya. Orientasi gradien memiliki keuntungan menjadi invarian kontras, membuatnya lebih kuat untuk perubahan pencahayaan. Secara intuitif, ini berfungsi karena orientasi gradien terikat pada bentuk-bentuk pada gambar, bukan pada warna atau luminositasnya.


0

Ini bukan pendekatan "dikutip" atau keadaan seni untuk pengurangan latar belakang dalam hal apapun. Namun, kalimat kedua Anda mengatakan bahwa Anda bereksperimen dengan pendekatan yang berbeda , jadi saya pikir apa yang harus saya katakan masih memiliki beberapa nilai.


Umum tentang pendekatan:

Apa yang saya usulkan adalah representasi gambar invarian kontras , yang disebut Tree of Shapes , atau Level Line Tree (ada lebih banyak nama, sayangnya, mereka masih tidak puas dengan nama yang diterima secara umum).

The ide umum bahwa aplikasi yang diusulkan adalah untuk membangun sebuah representasi kontras-invarian-ish dari beberapa gambar dan , dan kemudian mencari perbedaan. Keuntungannya adalah Anda bisa mendapatkan , sebagai output, bagian-bagian yang ada di tetapi tidak di (atau sebaliknya) yang bertentangan dengan perbandingan gambar yang paling sederhana , di mana hasilnya adalah semua perbedaan, yaitu semua yang ada di salah satu gambar dan bukan yang lain .IxIyIyIx


Kemungkinan cara untuk digunakan dengan kamera keamanan:

Jika aplikasi Anda adalah kamera keamanan, maka saya kira Anda bisa mendapatkan beberapa gambar ground-truth dalam kondisi baik (pencahayaan seragam, oklusi rendah). Kemudian, Anda bisa membangun Tree of Shapes dari gambar ground-truth Anda, dan kemudian menggunakannya untuk mendeteksi objek baru yang ada dalam gambar saat ini . Pohon-pohon harus serupa, karena mereka tidak didasarkan pada tingkat global abu-abu piksel, tetapi lebih pada "kontras lokal": pertanyaan utama yang mendorong proses pembangunan pohon adalah apakah lebih terang / lebih gelap dari lingkungan sekitarnya , dan bukan seberapa terang / gelap itu .


Literatur:

Relevan untuk aplikasi khusus Anda akan menjadi beberapa halaman terakhir dari makalah ini:

Anda dapat menemukan beberapa referensi yang relevan dalam jawaban saya di sini , tetapi bagi saya tampaknya sekarang gambaran singkat yang saya lakukan untuk jawaban itu masih jauh dari lengkap.

Penulis makalah itu juga menerbitkan buklet dalam seri LNM tentang pohon tertentu:

Dan akhirnya, pendekatan itu lebih teoretis daripada praktis sampai beberapa hari yang lalu, karena waktu konstruksi kasus terburuk adalah kuadratik dalam jumlah piksel gambar. Baru kemarin, sebuah algoritma kuasi-linear disajikan yang akhirnya membuat Tree of Shapes dapat digunakan dalam berbagai aplikasi:

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.