[논문 리뷰] Improvements and Experiments of a Compact Statistical Background Model

Dong Liang, Shun’ichi Kaneko|arXiv (Cornell University)|2014. 05. 24.

Video Surveillance and Tracking Methods참고 문헌 18인용 수 12

한 줄 요약

이 논문은 타겟 픽셀과 그 공간적으로 상관관계가 높은 보조 픽셀 간 강도 편차에 대한 단일 가우시안 모델링을 활용한 공시 픽셀 쌍(co-occurrence pixel pairs) 기반 개선된 온라인 배경 모델을 제안한다. 다중채널 색상 모델링, 온라인 파rameter 업데이트 및 시간적 강도 제약 조건을 통합함으로써, 갑작스러운 조도 변화와 동적 배경 조건에서도 견고한 성능을 달성한다. CDW-2014 벤치마크에서 F-측정치와 재현율에서 2위를 기록하였으며, 처리 속도는 20 fps이다.

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.

연구 동기 및 목표

• 갑작스러운 조도 변화와 동적 배경 조건에서도 견고성을 유지하는 컴팩트하고 실시간 배경 모델을 개발하는 것.
• 오프라인 CP3 모델을 실용적인 감시 응용을 위해 온라인 학습 및 탐지 기능을 지원하도록 확장하는 것.
• 다중채널 색상 정보와 시간적 강도 제약 조건을 통합하여 탐지 정확도를 향상시키는 것.
• 어두운 조명 조건과 움직이는 배경과 같은 도전적인 비디오 조건에서 잡음(가짜 경고)을 줄이고 민감도를 유지하는 것.
• 포괄적인 벤치마크 데이터셋에서 최신 기술과의 성능 비교를 통해 모델의 성능을 검증하는 것.

제안 방법

• 각 픽셀에 대해 공분산 기반 상관관계 행렬을 사용하여 공간적으로 높은 상관관계를 가지는 보조 픽셀 집합을 선정한다.
• 타겟 픽셀과 각 보조 픽셀 간의 강도 편차를 역사적 데이터로부터 추정한 평균과 표준편차를 가진 단일 가우시안 분포로 모델링한다.
• 배경와 광학적 유사성이 높은 물체에 대한 구분 능력을 향상시키기 위해 다중채널 색상 모델을 도입한다.
• 재학습 없이 점진적인 환경 변화에 적응할 수 있도록 온라인 모델 업데이트를 구현한다.
• 각 픽셀에 대해 시간적 강도 범위 제약 조건을 적용하여 동적 범위를 제한하고 탐지 민감도를 향상시킨다.
• 관측된 강도 편차가 모델링된 가우시안 분포를 초과할 확률을 평가하여 탐지 수행

실험 결과

연구 질문

• RQ1 픽셀 쌍의 공시 기반 컴팩트 통계적 배경 모델이 갑작스러운 조도 변화 조건에서도 견고한 성능을 달성할 수 있는가?
• RQ2 다중채널 색상 정보와 시간적 강도 제약 조건을 통합할 경우 동적 환경에서 탐지 정확도는 어떻게 향상되는가?
• RQ3 CP3 모델이 정확도를 희생시키지 않고 온라인 학습 및 실시간 처리를 위해 효과적으로 적응할 수 있는가?
• RQ4 다양한 비디오 조건에서 제안된 방법이 최신 배경 분할 기술과 비교해 어떻게 성능을 발휘하는가?
• RQ5 그림자, 어두운 조명, 카메라 진동 등의 도전적인 상황에서 모델이 낮은 가짜 경고율과 가짜 부정률을 유지하는 정도는 어느 정도인가?

주요 결과

• CDW-2014 벤치마크에서 평균 F-측정치 0.5805와 재현율 0.7225를 기록하여 총 7개 방법 중 2위를 기록했다.
• 3.4318%로 두 번째로 낮은 잘못된 분류 비율(PWC)을 기록하여 전체 정확도가 뛰어나다는 것을 보여주었다.
• F-측정치와 재현율 모두 두 번째로 높은 성능를 기록하여 전경 탐지의 완전성을 입증했다.
• Intel i7 PC에서 약 20 fps의 처리 속도를 유지하여 실시간 응용에 적합함을 입증했다.
• CDW-2014 데이터셋의 모든 11개 카테고리에서 견고한 성능를 유지했으며, 야간 영상, 난류, 악천후와 같은 어려운 케이스에서도 우수한 성능를 보였다.
• 시간적 강도 제약 조건과 다중채널 색상 모델링의 통합으로 가짜 경고는 감소시키면서도 움직이는 물체에 대한 민감도는 유지했다.