[论文解读] A Comparison between Background Modelling Methods for Vehicle Segmentation in Highway Traffic Videos

Leandro Arab Marcomini, André Luiz Cunha|arXiv (Cornell University)|Oct 5, 2018

Video Surveillance and Tracking Methods参考文献 19被引用 15

一句话总结

本文评估了三种由 OpenCV 实现的背景建模算法——高斯混合模型（GMM）、背景/前景分割（KNN）和 MOG2——在高速公路交通视频中的车辆分割性能。基于七段视频（共计 2 小时）中的 35 张真实标注图像，通过准确率、精确率和处理时间对比了性能表现，发现所有方法的精确率均超过 90%，准确率约为 80%，其中 MOG2 的计算负载最低，达到 60 帧/秒。

ABSTRACT

The objective of this paper is to compare the performance of three background-modeling algorithms in segmenting and detecting vehicles in highway traffic videos. All algorithms are available in OpenCV and were all coded in Python. We analyzed seven videos, totaling 2 hours of recording. To compare the algorithms, we created 35 ground-truth images, five from each video, and we used three different metrics: accuracy rate, precision rate, and processing time. By using accuracy and precision, we aim to identify how well the algorithms perform in detection and segmentation, while using the processing time to evaluate the impact on the computational system. Results indicate that all three algorithms had more than 90% of precision rate, while obtaining an average of 80% on accuracy. The algorithm with the lowest impact on processing time allowed the computation of 60 frames per second.

研究动机与目标

• 评估并比较三种背景建模算法在从高速公路交通视频中分割车辆方面的性能。
• 评估在实时交通监控中，检测准确率、精确率与计算效率之间的权衡。
• 基于多样化的高速公路视频序列中的真实标注数据，提供实证基准。
• 确定哪种算法在准确率、精确率和处理速度之间实现了最佳平衡，适用于实时部署。

提出的方法

• 在 Python 中使用 OpenCV 实现了三种背景建模算法——高斯混合模型（GMM）、基于 KNN 的背景减除法和 MOG2。
• 分析了七段高速公路交通视频，总时长为 2 小时，共手动创建了 35 张真实标注图像（每段视频五张）用于评估。
• 通过三个指标量化性能：准确率、精确率和每帧处理时间。
• 利用真实标注图像计算算法输出结果与真实结果之间的像素级分割准确率和精确率。
• 测量处理时间以评估实时可行性，报告了每种算法的帧率。
• 所有算法均在相同条件下测试，以确保在相同视频序列和真实标注数据上的公平比较。

实验结果

研究问题

• RQ1 哪种背景建模算法在从高速公路交通视频中分割车辆方面实现了最高的准确率？
• RQ2 在不同交通条件下，三种算法在车辆检测精确率方面如何比较？
• RQ3 每种算法的计算效率如何，以处理时间和帧率衡量？
• RQ4 是否存在一种算法能够在保持高准确率和高精确率的同时，最小化处理开销以实现实时部署？
• RQ5 性能指标在不同高速公路视频序列中的一致性如何？

主要发现

• 所有三种算法的精确率均超过 90%，表明车辆检测具有较强的可靠性。
• 所有算法的平均准确率约为 80%，表明分割性能中等。
• MOG2 算法表现出最低的计算影响，实现了 60 帧/秒的实时处理。
• 尽管精确率较高，准确率仍低于 85%，表明在分割边界准确性方面仍有改进空间。
• 基于 KNN 的方法处理时间略高于 MOG2，但仍处于可接受的实时处理范围内。
• 在不同视频序列中未观察到显著的性能下降，表明算法对不同交通和光照条件具有鲁棒性。