Comparación de algoritmos de detección de cambios en videos
Palabras clave:
Sustracción de Fondo, Visión Artificial, Modelo de Fondo.
Resumen
El presente trabajo se centra en la implementación y comparación de cuatro algoritmos de detección de cambios en videos: PBAS, LBAdaptiveSOM, DPWrenGABGS y MixtureOfGaussianV1BGS. Mediante la utilización de herramientas y librerías actuales, se realizaron comparaciones de estos algoritmos usando las bases de datos CDNET y BMC con el fin de obtener las características y el desempeño de cada uno de ellos. Los videos de estas bases de datos contienen diversos retos (cambios de iluminación, sombras, movimiento de la cámara, entre otros), los cuales hacen difícil la detección de objetos y personas en movimiento. De acuerdo con los resultados obtenidos en las pruebas, el algoritmo PBAS es mejor que los otros algoritmos aquí analizados.Citas
Andrews Sobral, Antoine Vacavant, A comprehensive review of background subtraction algorithms evaluated with synthetic and real videos, Computer Vision and Image Understanding 2014.
Background subtraction. Recuperado el 26 de octubre de 2016, de
http://docs.opencv.org/trunk/d1/dc5/tutorial_background_subtraction.html.
ChandeDetection.net, Recuperada el 1 de noviembre de 2016, de
http://changedetection.net/.
Lucia Maddalena and Alfredo Petrosino, A Self-Organizing Approach to Background Subtraction for Visual Surveillance Applications, IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 17, NO. 7, JULY 2008.
Martin Hofmann, Philipp Tiefenbacher, Gerhard Rigoll (2012), Background Segmentation with Feedback: The Pixel-Based Adaptive Segmenter, Institute for Human-Machine Communication Technische Universitat Munchen.
P. KaewTraKulPong and R. Bowden (2001), An Improved Adaptive Background Mixture Model for Real-time Tracking with Shadow Detection, Brunel University.
Pfinder: Real-Time Tracking of the human body, MIT Media Laboratory Preceptual Computing Section, Christopher Wren, Ali Azarbayejani, Trevor Darrell, Alex Pentland (1997).
Background subtraction. Recuperado el 26 de octubre de 2016, de
http://docs.opencv.org/trunk/d1/dc5/tutorial_background_subtraction.html.
ChandeDetection.net, Recuperada el 1 de noviembre de 2016, de
http://changedetection.net/.
Lucia Maddalena and Alfredo Petrosino, A Self-Organizing Approach to Background Subtraction for Visual Surveillance Applications, IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 17, NO. 7, JULY 2008.
Martin Hofmann, Philipp Tiefenbacher, Gerhard Rigoll (2012), Background Segmentation with Feedback: The Pixel-Based Adaptive Segmenter, Institute for Human-Machine Communication Technische Universitat Munchen.
P. KaewTraKulPong and R. Bowden (2001), An Improved Adaptive Background Mixture Model for Real-time Tracking with Shadow Detection, Brunel University.
Pfinder: Real-Time Tracking of the human body, MIT Media Laboratory Preceptual Computing Section, Christopher Wren, Ali Azarbayejani, Trevor Darrell, Alex Pentland (1997).
Publicado
2017-10-17
Número
Sección
Artículos de Investigación
Avisos de derechos de autor propuestos por Creative Commons
1. Política propuesta para revistas que ofrecen acceso abierto
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
