[論文レビュー] Improvements and Experiments of a Compact Statistical Background Model

Dong Liang, Shun’ichi Kaneko|arXiv (Cornell University)|May 24, 2014

Video Surveillance and Tracking Methods参考文献 18被引用数 12

ひとこと要約

本稿では、標的画素とその空間的に相関する補助画素の間の強度偏差を単一ガウス分布でモデル化することで、共起画素ペアを用いた改善されたオンライン背景モデルを提案する。マルチチャネルカラー表現、オンラインパrameter更新、時間的強度制約を統合することにより、急激な照度変化や動的背景に対しても頑健な性能を達成し、CDW-2014ベンチマークにおいてF-MeasureとRecallで2位を記録し、20 fpsの処理速度を達成した。

ABSTRACT

Change detection plays an important role in most video-based applications. The first stage is to build appropriate background model, which is now becoming increasingly complex as more sophisticated statistical approaches are introduced to cover challenging situations and provide reliable detection. This paper reports a simple and intuitive statistical model based on deeper learning spatial correlation among pixels: For each observed pixel, we select a group of supporting pixels with high correlation, and then use a single Gaussian to model the intensity deviations between the observed pixel and the supporting ones. In addition, a multi-channel model updating is integrated on-line and a temporal intensity constraint for each pixel is defined. Although this method is mainly designed for coping with sudden illumination changes, experimental results using all the video sequences provided on changedetection.net validate it is comparable with other recent methods under various situations.

研究の動機と目的

• 急激な照度変化や動的背景に対しても頑健な性能を維持するコンパクトでリアルタイムな背景モデルの開発。
• オフラインのCP3モデルを、実用的な監視応用に適したオンライン学習と検出を可能にするように拡張すること。
• マルチチャネルカラー情報と時間的強度制約を統合することで、検出精度の向上を図ること。
• 低照度や動的背景などの困難な動画環境下でも誤検出を低減し、感度を維持すること。
• 包括的なベンチマークデータセット上で、最先端手法と比較して本モデルの性能を検証すること。

提案手法

• 各画素に対して、共分散に基づく相関行列を用いて空間相関が強い補助画素の集合を選択する。
• 標的画素と各補助画素間の強度偏差を、履歴データから推定された平均と標準偏差を持つ単一ガウス分布でモデル化する。
• 背景と光度的に類似した物体の識別を向上させるために、マルチチャネルカラー表現を導入する。
• 再学習を必要とせず、徐々に変化するシーンに適応できるように、オンラインでのモデル更新を実装する。
• 各画素に対して時間的強度範囲制約を適用し、動的範囲を制限することで検出感度を向上させる。
• 観測された強度偏差がモデル化されたガウス分布を上回る確率を評価することで検出を実行する。

実験結果

リサーチクエスチョン

• RQ1 画素ペアの共起に基づくコンパクトな統計的背景モデルは、急激な照度変化下でも頑健な性能を発揮できるか？
• RQ2 マルチチャネルカラー表現と時間的強度制約を統合することで、動的シーンにおける検出精度はどのように向上するか？
• RQ3 CP3モデルは、頑健性を損なわずにオンライン学習とリアルタイム処理に効果的に適応可能か？
• RQ4 本手法は、多様な動画条件下で最先端の背景差分法と比較して、どのように性能を発揮するか？
• RQ5 影、低照度、カメラジタータイプの困難な状況下でも、本モデルは誤検出率と誤検出率をどれほど低く保てるか？

主な発見

• 本手法はCDW-2014ベンチマークにおいて平均F-Measure 0.5805、Recall 0.7225を達成し、7つの手法中で2位を記録した。
• 誤分類率（PWC）が3.4318%と2番目に低く、全体的な精度が優れていることを示している。
• F-MeasureとRecallともに2番目に高く、前景検出の完全性が優れていることを示している。
• Intel i7 PC上で約20 fpsの処理速度を維持しており、リアルタイム応用に適している。
• CDW-2014データセットの全11カテゴリ（夜間映像、乱流、悪天候など）においても、本モデルは頑健な性能を発揮した。
• 時間的強度制約とマルチチャネルカラー表現の統合により、誤検出が低減されつつも、動く物体への感度は維持された。