Anda di halaman 1dari 7

See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/257424214

BGSLibrary: An OpenCV C++ Background


Subtraction Library

Conference Paper June 2013


DOI: 10.13140/2.1.1740.7044

CITATIONS READS

31 5,711

1 author:

Andrews Sobral
Universit de La Rochelle
28 PUBLICATIONS 264 CITATIONS

SEE PROFILE

All content following this page was uploaded by Andrews Sobral on 23 May 2017.

The user has requested enhancement of the downloaded file. All in-text references underlined in blue are added to the original document
and are linked to publications on ResearchGate, letting you access and read them immediately.
BGSLibrary: An OpenCV C++ Background
Subtraction Library

Andrews Sobral
Programa de Ps-Graduao em Mecatrnica
Universidade Federal da Bahia
Salvador, Bahia, Brasil
andrewssobral@gmail.com

AbstractThe BGSLibrary provides a free easy-to-use C++ ementao de alguns mtodos de subtrao de fundo. Porm,
open source framework to perform background subtraction estudantes, pesquisadores e profissionais normalmente
(BGS). Currently the library provides 29 BGS algorithms. In this enfrentam um grande obstculo quando pretendem utilizar
work the library is described and the benchmark and estas implementaes em conjunto, pois cada autor codifica os
performance evaluation of all BGS algorithms are shown. It is algoritmos utilizando certas particularidades, tais como
expected that the results presented here can help to choice the linguagem de programao, sistema operacional, bibliotecas
most suitable background subtraction method. adicionais (algumas vezes proprietrias), estrutura e formatao
do cdigo fonte. Tais particularidades comumente acabam
Keywordsbgslibrary; background subtraction; motion
dificultando a pesquisa, o desenvolvimento e a integrao de
detection; foreground segmentation; background modeling
sistemas que dependem desta tecnologia. Entretanto, a
necessidade de uma biblioteca integrada e padronizada que seja
I. INTRODUO independente de sistema operacional, gratuita e de cdigo fonte
A subtrao de fundo um passo fundamental em muitas aberto importante. Neste artigo, o autor prope a biblioteca
aplicaes no campo de viso computacional e processamento BGSLibrary que foi desenvolvida com esta finalidade.
digital de imagens, tais como vigilncia por vdeo [26], captura A BGSLibrary1 fornece um framework em C++ para
de movimento [8] e aplicaes multimdia [12]. Consiste em realizar a subtrao de fundo em uma sequncia de imagens ou
geral na comparao de uma imagem observada com outra vdeo. Lanada pela primeira vez em Maro de 2012
imagem que representa uma estimativa do plano de fundo. As inicialmente com 14 algoritmos, atualmente (at a escrita deste
regies que possuem uma diferena significativa, acima de um trabalho) a BGSLibrary est na verso 1.5.0 compondo 29
determinado limiar entre a imagem de entrada e a imagem de algoritmos de subtrao de fundo. Uma grande quantidade de
referncia (plano de fundo), indicam a localizao de objetos algoritmos foram fornecidos e adaptados de vrios autores que
de interesse. Geralmente o processo de subtrao de fundo se interessaram pelo progresso deste trabalho. O cdigo fonte
inclui as seguintes etapas: a) inicializao do modelo do plano est disponvel sob a licena GNU GPL v3, a biblioteca de
de fundo at um determinado limiar, b) manuteno deste cdigo fonte aberto e livre para uso acadmico e no-
modelo aps o limiar, e, c) deteco do primeiro plano. A Fig. comercial. Para ser usada, preciso ter a biblioteca OpenCV
1 apresenta as etapas relacionadas ao processo de subtrao de instalada.
fundo.
O OpenCV2 (Open Source Computer Vision Library) uma
Como pode ser visto em [21,27,29,30], dezenas de mtodos biblioteca multiplataforma, totalmente livre ao uso acadmico e
de subtrao de fundo foram desenvolvidos ao longo dos comercial, para o desenvolvimento de aplicativos na rea de
ltimos anos. Alguns autores, tais como Thierry Bouwmans Viso Computacional. Esta biblioteca composta por mais de
[31], Donovan Parks [7], Zoran Zivkovic [35], Laurence 500 algoritmos e foi desenvolvida nas linguagens de
Bender [15], Martin Hofmann [19], Jian Yao [14], Antoine programao C/C++, razo pela qual a BGSLibrary tambm foi
Vacavant [3] e Domenico Bloisi [6] colaboram com a desenvolvida em C/C++.
comunidade acadmica disponibilizando gratuitamente a impl-
A seguir, so apresentadas as principais caractersticas e o
funcionamento da BGSLibrary. Tambm abordado como
integrar a BGSLibrary em um projeto em C++ existente. Em
seguida, so apresentados os resultados da avaliao do custo
computacional e da preciso dos algoritmos de subtrao de
fundo utilizando uma base de imagens pblica. E, por fim, a
concluso do presente trabalho.

1
http://code.google.com/p/bgslibrary/
Fig. 1. Diagrama de blocos do processo de subtrao de fundo. 2
http://opencv.org/
II. BGSLIBRARY Autor
Identificao Nome do mtodo
(es)
Conforme apresentado inicialmente, a BGSLibrary possui
Mtodo(s) baseado(s) em autovalores e autovetores:
um total de 29 algoritmos de subtrao de fundo. A Tab. 1
apresenta a lista completa dos algoritmos com seus respectivos DPEigenbackgroundBGS Eigenbackground / SL-PCA 1 [23]
autores. Os algoritmos foram agrupados por similaridade.
Mtodo(s) neural(is) e neuro-fuzzy:
LBAdaptiveSOM Adaptive SOM 3 [16]
TABELA I. LISTA DOS ALGORITMOS DE SUBTRAO DE FUNDO
DISPONVEIS NA BGSLIBRARY LBFuzzyAdaptiveSOM Fuzzy Adaptive SOM 3
[17]
Autor 0
Nativo da biblioteca OpenCV.
Identificao Nome do mtodo
(es) 1
Adaptado de Donovan Parks [7].
Mtodo(s) bsico(s): 2
Adaptado de Thierry Bouwmans e Zhenjie Zhao [31].
StaticFrameDifferenceB 3
Adaptado de Laurence Bender [15].
GS
Static Frame Difference -
4
Adaptado de Jian Yao and Jean-Marc Odobez [14].
FrameDifferenceBGS Frame Difference - 5
Adaptado de Martin Hofmann, Philipp Tiefenbacher e Gerhard Rigoll [19].
WeightedMovingMeanB 6
GS
Weighted Moving Mean - Adaptado de Lionel Robinault e Antoine Vacavant [3].

WeightedMovingVarianc
eBGS
Weighted Moving Variance -
AdaptiveBackgroundLear
Adaptive Background Learning -
Neste artigo no sero descritos os aspectos matemticos e
ning o funcionamento de cada mtodo de subtrao de fundo
DPMeanBGS Temporal Mean 1 - presente na BGSLibrary. Para melhores informaes pode-se
DPAdaptiveMedianBGS Adaptive Median 1
[22]
consultar as referncias na coluna Autor(es).

DPPratiMediodBGS Temporal Median 1


[25] Para utilizar os mtodos listados na Tab. 1, as intrues
foram divididas em dois itens conforme o sistema operacional
Mtodo(s) baseado(s) em Lgica Fuzzy: do usurio:
FuzzySugenoIntegral Fuzzy Sugeno Integral 2 [11] Para usurios do sistema operacional Windows, a
FuzzyChoquetIntegral Fuzzy Choquet Integral 2
[9] BGSLibrary dispe de verses binrias em 32 bits
(bgs_library_x86_vX.X.X_with_gui.7z) e 64 bits
LBFuzzyGaussian Fuzzy Gaussian 3 [20] (bgs_library_x64_vX.X.X_with_gui.7z), onde vX.X.X
Mtodo(s) estatstico(s) com uma gaussiana: representa a verso atual da biblioteca. Ambas as verses
incluem uma aplicativo em linguagem Java com interface
DPWrenGABGS Gaussian Average 1 [5] grfica para configurar e executar a BGSLibrary. Este
LBSimpleGaussian Simple Gaussian 3
[32] aplicativo opcional, sendo possvel a execuo da
BGSLibrary em modo console (ver Item 2). Tambm est
Mtodo(s) estatstico(s) com mltiplas gaussianas: disponvel uma verso binria (com cdigo fonte aberto)
DPGrimsonGMMBGS Gaussian Mixture Model 1 [4] em 32 bits de um aplicativo com interface grfica baseado
MixtureOfGaussianV1B
na biblioteca MFC (Microsoft Foundation Class) que
GS
Gaussian Mixture Model 0 [24] utiliza a BGSLibrary conforme a Fig. 2. Um projeto criado
MixtureOfGaussianV2B
Gaussian Mixture Model 0 [34] no Visual Studio 2010 tambm disponibilizado para
GS
1
usurios desta ferramenta (ver Seo III).
DPZivkovicAGMMBGS Gaussian Mixture Model [34]
3
LBMixtureOfGaussians Gaussian Mixture Model [28]

Mtodo(s) baseado(s) baseados em Lgica Fuzzy Tipo-2:


T2FGMM_UM Type-2 Fuzzy GMM-UM 2 [10]
2
T2FGMM_UV Type-2 Fuzzy GMM-UV [10]
2
T2FMRF_UM Type-2 Fuzzy GMM-UM with MRF [36]
2
T2FMRF_UV Type-2 Fuzzy GMM-UV with MRF [36]

Mtodo(s) estatstico(s) utilizando caractersticas de cor e textura:


MultiLayerBGS Multi-Layer BGS 4 [13]

Mtodo(s) no-paramtrico(s):
PixelBasedAdaptiveSegm
enter
Pixel-Based Adaptive Segmenter 5 [18]
Fig. 2. Aplicativo MFC utilizando a BGSLibrary. possvel selecionar o
0 mtodo de subtrao de fundo desejado e configurar os parmetros de entrada.
GMG GMG [1]
Tambm permitdo salvar a imagem de entrada, a mscara de primeiro plano
VuMeter VuMeter 6 [33] e o modelo do plano de fundo.
Item 1. Para os usurios do sistema operacional Linux, loadConfig() definem as operaes que devem ser realizadas
preciso baixar a verso mais recente do cdigo fonte3 da para o armazenamento e carregamento de configuraes.
BGSLibrary. Primeiramente preciso de um cliente Tipicamente o arquivo de configurao do tipo XML
Subversion (SVN) e seguir as intrues conforme as notas (eXtensible Markup Language) e deve ser localizado na pasta
do rodap4. fornecido um arquivo Cmake e um arquivo ./config/ conforme a rvore de diretrios.
README.txt com as intrues necessrias para a 01 #pragma once
compilao e execuo. Aps a compilao, o arquivo 02 #include <cv.h>
03
binrio fica disponvel na pasta ./build/. Executando a 04 class IBGS
BGSLibrary na linha de comando, listado as seguintes 05 {
06 public:
opes: 07 virtual void process(const cv::Mat &img_input, cv::Mat
&img_output) = 0;
--use_cam (Define que a cmera ser utilizada) 08 virtual ~IBGS(){}
09
--camera (Especifica o ndice da cmera, default 0) 10 private:
--use_file (Define que um arquivo de vdeo ser utilizado) 11
12
virtual void saveConfig();
virtual void loadConfig();
--filename (Especifica o endereo do arquivo de vdeo) 13 };
--stopAt (Define em qual quadro o programa deve parar) Fig. 3. Interface padro definida no arquivo IBGS.h.
--use_comp (Define que um comparador de mscara de
primeiro plano ser utilizado) A Fig. 4 ilustra um cdigo fonte exemplo de como utilizar o
--imgref (Define a mscara de primeiro plano de referncia) mtodo Frame Difference em uma webcam. A linha 05 realiza
a incluso do mtodo de subtrao de fundo desejado5. A linha
Na seo seguinte, apresentado como integrar a 29 realiza o processamento da imagem de entrada (img_input)
BGSLibrary em um projeto em linguagem C++. e retorna a mscara de primeiro plano (img_mask). Caso seja
necessrio realizar algum procedimento aps a aquisio da
III. INTEGRANDO A BGSLIBRARY EM UM PROJETO EM C++ mscara de primeiro plano preciso apenas descomentar as
Nesta seo detalhado o processo de integrao da linhas 31 e 32 e definir as operaes desejadas.
BGSLibrary em um projeto em linguagem C++. Primeiramente 01 #include <iostream>
02 #include <cv.h>
preciso baixar o cdigo fonte da BGSLibrary similar ao 03 #include <highgui.h>
processo descrito no Item 2 (ver notas 4 e 5 do rodap). 04
05 #include "package_bgs/FrameDifferenceBGS.h"
06
Aps baixar os cdigos fontes, o usurio ir visualizar a 07 int main(int argc, char **argv)
seguinte rvore de diretrios: 08 {
09 CvCapture *capture = cvCaptureFromCAM(0);
10 if(!capture)
trunk (raiz) 11 {
|----- build (p/ usuarios do Linux ver Item 2) 12 std::cerr << "Cannot initialize camera!" <<
std::endl;
|----- config (pasta dos arquivos de configurao) 13 return 1;
14 }
|----- dataset (base de arquivos de vdeo) 15
|----- package_analysis (pacote p/ anlise da mscara de 1 plano) 16 IBGS *bgs;
17 bgs = new FrameDifferenceBGS;
|----- package_bgs (pacote dos algoritmos de sub. de fundo) 18
|----- av (adaptado de Antoine Vacavant) 19 int key = 0;
20 while(key != 'q')
|----- dp (adaptado de Donovan Parks) 21 {
22 IplImage *frame = cvQueryFrame(capture);
|----- jmo (adaptado de Jian Yao) 23 if(!frame) break;
|----- lb (adaptado de Laurence Bender) 24
25 cv::Mat img_input(frame);
|----- pt (adaptado de Martin Hofmann) 26 cv::imshow("input", img_input);
27
|----- tb (adaptado de Thierry Bouwmans) 28 cv::Mat img_mask;
|----- vs2010 (projeto exemplo p/ Visual Studio 2010) 29 bgs->process(img_input, img_mask);
30
31 //if(!img_mask.empty())
A pasta package_bgs armazena todas as implementaes 32 // do something
dos algoritmos de subtrao de fundo. Os algoritmos esto 33
34 key = cvWaitKey(1);
agrupados em subpastas distintas conforme a contribuio dos 35 }
autores. O cdigo fonte de cada algoritmo identificado 36
37 delete bgs;
conforme a coluna Identificao descrita na Tab. 1. Todos os 38
39 cvDestroyAllWindows();
algoritmos herdam uma interface padro denominada IBGS 40 cvReleaseCapture(&capture);
conforme a Fig. 3. A linha 07 define a assinatura do mtodo 41
42 return 0;
process(...) que responsvel pelo processamento da imagem e 43 }
recebe dois parmetro do tipo cv::Mat. O primeiro parmetro Fig. 4. Cdigo fonte exemplo de como utilizar o mtodo Frame Difference
(img_input) representa a imagem de entrada (e.g. quadro de um em uma webcam.
vdeo) e o segundo parmtro (img_output) define a imagem de
sada (mscara de primeiro plano). Os mtodos saveConfig() e
5
Para selecionar outro mtodo de subtrao de fundo preciso
3
http://bgslibrary.googlecode.com/svn/trunk/ alterar as linhas 05 e 17 de acordo com sua identificao (ver
4
http://code.google.com/p/bgslibrary/source/checkout coluna Identificao da Tab. 1)
Nas prximas duas sees so apresentadas uma avaliao TABELA II. LISTA DE CONFIGURAES DOS CENRIOS DA BASE BMC.

do custo computacional (benchmark) e preciso dos algoritmos Configurao Descrio


de subtrao de fundo da biblioteca BGSLibrary. Todos os
1 Imagens capturadas sem rudos.
algoritmos foram avaliados conforme sua configurao padro
fornecida pelo seu(s) respectivo(s) autor(es). 2 Imagens capturadas com rudos.

3 Ambiente ensolarado com rudos na captura.


IV. BENCHMARK DOS ALGORITMOS DE SUBTRAO DE
FUNDO 4 Ambiente nublado com rudos na captura.

Ao selecionar um mtodo de subtrao de fundo 5 Ambiente nublado com ventos e rudos na captura.
importante avaliar seu consumo de memria, tempo de
execuo e percentual de ocupao da CPU (Central
Processing Unit). Em sistemas embarcados ou aplicaes de Em Eval.1 ilustrado (de forma normalizada) o percentual
tempo-real estas caractersticas podem ser crticas e decisivas de ocupao da CPU, memria RAM privada e tempo de
na pesquisa e desenvolvimento de uma soluo. Para realizar o execuo de cada algoritmo de subtrao de fundo da
benchmark dos algoritmos de subtrao de fundo da biblioteca BGSLibrary7. Como pode ser notado, os mtodos bsicos (ver
BGSLibrary, optou-se pela base de imagens e vdeos BMC6 Tab. 1) possuem um custo computacional relativamente baixo
proposta por Antoine Vacavant e seus colegas [2]. A BMC enquanto que os mtodos mais robustos tendem a requerer um
uma base de imagens sintticas as cenas so geradas em um custo computacional mais elevado. Em geral o percentual de
ambiente tridimensional utilizando tcnicas de computao ocupao de CPU foi similar para todos os mtodos de
grfica (ver Fig. 5). subtrao de fundo, havendo uma variao mais significativa
no consumo de memria e tempo de execuo. importante
A base BMC composta por dois cenrios de trfego notar que o mtodo GMG proposto por [1] possui o maior
urbano: estrada e rotatria. Ambos os cenrios possuem apenas percentual de CPU em relao aos outros mtodos devido sua
veculos de passeio em movimento. Cada cenrio possui cinco implementao ser paralela (multithread), fazendo o uso de
configuraes distintas conforme ilustra a Tab. 2. mais de um ncleo do processador ao mesmo tempo.
Todas as imagens da base BMC esto no formato PNG percebido tambm que o mtodo MultiLayer proposto por [13]
(Portable Network Graphics) e possuem um tamanho padro possui o maior custo computacional entre todos os outros
de 640 por 480 pixels com resoluo de 24 bits. So em mdia mtodos avaliados.
1500 imagens para cada cenrio e configurao. Na seo seguinte apresentada uma avaliao de preciso
No presente trabalho, foi utilizado um computador com dos algoritmos de subtrao de fundo da biblioteca
processador Intel Core i5-2410M de 2.3GHz com memria BGSLibrary.
RAM de 4,00GB DDR3 e sistema operacional Windows 7 x64
Home Premium SP1. Em seguida, selecionou-se apenas um V. PRECISO DOS ALGORITMOS DE SUBTRAO DE FUNDO
cenrio e uma configurao (cenrio estrada, configurao 2), Em conjunto com o benchmark, tambm importante
pois o custo computacional independente do contedo da avaliar a preciso do mtodo de subtrao de fundo que se
imagem. deseja utilizar. Em geral, os mtodos de subtrao de fundo
bsicos so rpidos (menor custo computacional), porm
tendem a apresentar uma preciso relativamente baixa. Para
avaliar esta hiptese, neste trabalho optou-se por utilizar a
mesma base utilizada para avaliar o benchmark dos mtodos de
subtrao de fundo apresentado anteriormente. Para todos os
cenrios e configuraes, a base BMC disponibiliza uma
mscara de primeiro plano de referncia (ver Fig. 6).
Inicialmente foi armazenada a mscara de primeiro plano
resultante dos mtodos de subtrao de fundo. Em seguida
utilizaram-se as mtricas expressas na Tab. 3. Todas as
mtricas so baseadas na quantidade de falso-positivos (FP -
False Positive), falso-negativos (FN - False Negative),
verdadeiro-positivos (TP - True Positive) e verdadeiro-
negativos (TN - True Negative). A base BMC tambm
disponibiliza um programa denominado BMC Wizard para
calcular estas mtricas.

Fig. 5. Ilustrao do cenrio rotatria da base BMC. 7


O mtodo Type-2 Fuzzy GMM with MRF (T2FMRF) no foi
avaliado devido sua implementao ainda possuir uma falha
6
http://bmc.univ-bpclermont.fr/ de vazamento de memria.
Eval. 1 Avaliao de desempenho dos algoritmos de subtrao de fundo da BGSLibrary utilizando a base BMC.
As mtricas foram calculadas para cada configurao do
cenrio e, em seguida, foi calculada a mdia e os resultados
foram agrupados por cenrio e ordenados de forma decrescente
pela pontuao total8 (F1-Total) conforme a Tab. 4.
Analisando os resultados apresentados na Tab. 4 pode-se
notar que, como esperado, os mtodos mais sofisticados
obtiveram uma melhor pontuao (F1-Total). O mtodo Pixel-
Based Adaptive Segmenter proposto por Hofmann et al. [18]
obteve a melhor pontuao entre todos os algoritmos avaliados. Fig. 6. Cenrio estrada e sua respectiva mscara de primeiro plano.
Entretanto, pode-se considerar que um bom algoritmo deve
possui um custo computacional baixo e uma preciso alta. TABELA IV. PRECISO DOS ALGORITMOS DE SUBTRAO DE FUNDO.
Neste sentido, observando-se os cinco primeiros mtodos da # Methods F1 Rotary F1 Street F1 Total
Tab. 4, o algoritmo Gaussian Average (DPWrenGABGS) de 01 PixelBasedAdaptiveSegmenter 0,884334 0,886452 0,885393
Wren et al. [5] possui a melhor relao de preciso versus custo 02 MultiLayerBGS 0,886704 0,862531 0,874618
03 LBAdaptiveSOM 0,873978 0,860017 0,866997
computacional. Tambm observa-se que apenas dois dos 04 DPWrenGABGS 0,846874 0,858481 0,852678
mtodos bsicos denominados Adaptive Background Learning 05 MixtureOfGaussianV2BGS 0,854675 0,845002 0,849839
e Temporal Median (DPPratiMediodBGS) de Calderara et al. 06 LBMixtureOfGaussians 0,859863 0,837108 0,848486
[25] conseguiram estar entre os 10 primeiros colocados (8 e 07 MixtureOfGaussianV1BGS 0,833138 0,860326 0,846732
08 AdaptiveBackgroundLearning 0,838228 0,848996 0,843612
10 posies respectivamente). Entretanto, entre todos os 09 FuzzyChoquetIntegral 0,841018 0,833306 0,837162
mtodos bsicos, o Adaptive Background Learning um dos 10 DPPratiMediodBGS 0,854816 0,818535 0,836676
mtodos de subtrao de fundo que possui o menor custo 11 LBFuzzyAdaptiveSOM 0,848042 0,823365 0,835704
computacional (ver Eval. 1). Este mtodo pode ser uma escolha 12 FuzzySugenoIntegral 0,832516 0,832259 0,832388
13 LBFuzzyGaussian 0,840927 0,775858 0,808392
importante caso tenha-se o interesse por um mtodo 14 WeightedMovingMeanBGS 0,800481 0,814039 0,807260
relativamente preciso com o custo computacional baixo para 15 WeightedMovingVarianceBGS 0,799376 0,811330 0,805353
sistemas com recursos computacionais limitados. 16 LBSimpleGaussian 0,829454 0,781137 0,805295
17 GMG 0,829807 0,775754 0,802781
18 DPGrimsonGMMBGS 0,801958 0,802934 0,802446
19 FrameDifferenceBGS 0,795440 0,800495 0,797968
20 DPAdaptiveMedianBGS 0,832356 0,758255 0,795306
21 VuMeter 0,752817 0,797990 0,775403
TABELA III. RELAO DE MTRICAS UTILIZADAS PARA AVALIAR A 22 DPZivkovicAGMMBGS 0,772410 0,776516 0,774463
PRECISO DOS ALGORITMOS DE SUBTRAO DE FUNDO. 23 T2FGMM_UM 0,771575 0,776796 0,774185
24 T2FMRF_UV 0,739170 0,787036 0,763103
Mtrica Equao 25 T2FGMM_UV 0,768699 0,754688 0,761694
Preciso (Pr) TP / (TP + FP) 26 StaticFrameDifferenceBGS 0,773005 0,726678 0,749841
ndice de Recuperao (Re) TP / (TP + FN) 27 DPEigenbackgroundBGS 0,780443 0,713478 0,746960
F1 / F-Score 2 (Pr . Re) / (Pr + Re) 28 T2FMRF_UM 0,758588 0,727150 0,742869
TP - qt. de pixels do primeiro plano classificados como primeiro plano. 29 DPMeanBGS 0,725765 0,731384 0,728575
FP - qt. de pixels do segundo plano que foram classificados como primeiro plano.
TN - qt. de pixels do segundo plano que foram classificados como segundo plano.
FN - qt. de pixels do primeiro plano que foram classificados como segundo plano

8
F1Total = (F1Rotary + F1Street) / 2
CONCLUSES [18] M. Hofmann, P. Tiefenbacher, and G. Rigoll, Background
segmentation with feedback: The Pixel-Based Adaptive Segmenter, In
Neste trabalho apresentou-se a biblioteca BGSLibrary que IEEE Computer Society Conference on Computer Vision and Pattern
foi desenvolvida com o objetivo de servir como um framework Recognition Workshops (CVPRW), pp. 38-43, June 2012.
para deteco e segmentao de objetos em movimento [19] M. Hofmann, https://sites.google.com/site/pbassegmenter/home,
utilizando a subtrao de fundo. Espera-se que as avaliaes e accessed at 30/03/2013.
os resultados aqui apresentados possam colaborar na escolha de [20] M. Sigari, N. Mozayani, and H. Pourreza, Fuzzy Running Average and
um mtodo de subtrao de fundo adequado. Pretende-se Fuzzy Background Subtraction: Concepts and Application,
International Journal of Computer Science and Network Security, Vol.
aprimorar continuamente a biblioteca, adicionando novos 8, No. 2, pp. 138-143, 2008.
recursos e mtodos de subtrao de fundo com o apoio da [21] N. Buch, S. Velastin, and J. Orwell, A review of computer vision
comunidade acadmica e profissionais de todo o mundo. techniques for the analysis of urban traffic, In IEEE Transactions on
Intelligent Transportation Systems (ITS'11), vol. 12, n. 3, pp. 920-939,
2011.
REFERNCIAS
[22] N. J. B. McFarlane and C. P. Schofield, Segmentation and tracking of
[1] A. B. Godbehere, A. Matsukawa, and K. Goldberg, Visual Tracking of piglets in images, Machine Vision and Applications, 8(3):187193,
Human Visitors under Variable-Lighting Conditions for a Responsive May 1995.
Audio Art Installation, American Control Conference (ACC), 2012.
[23] N. M. Oliver, B. Rosario, and A. P. Pentland, A Bayesian computer
[2] A. Vacavant, T. Chateau, A. Wilhelm and L. Lequivre, A Benchmark vision system for modeling human interactions, In IEEE Transactions
Dataset for Foreground/Background Extraction, In ACCV 2012, on Pattern Analysis and Machine Intelligence, 2000.
Workshop: Background Models Challenge, Daejeon, Korea, November
[24] P. Kaewtrakulpong and R. Bowden, An Improved Adaptive
2012.
Background Mixture Model for Realtime Tracking with Shadow
[3] A. Vacavant, http://isit.u-clermont1.fr/~anvacava/index.html, accessed Detection, In Proceedings of 2nd European Workshop on Advanced
at 30/03/2013. Video Based Surveillance Systems, 2001.
[4] C. Stauffer and W. E. L. Grimson, Adaptive background mixture [25] S. Calderara, R. Melli, A. Prati, and R. Cucchiara, Reliable background
models for real-time tracking, IEEE Computer Society Conference on suppression for complex scenes, In Proceedings of the 4th ACM
Computer Vision and Pattern Recognition, 1999. International Workshop on Video Surveillance and Sensor Networks,
[5] C. Wren, A. Azarbayejani , T. Darrell, and A. Pentland, Pfinder: Real- 2006.
Time Tracking of the Human Body, In The IEEE Transactions on [26] S. Cheung and C. Kamath, Robust background subtraction with
Pattern Analysis and Machine Intelligence, 1997. foreground validation for urban traffic video, In the Journal of Applied
[6] D. D. Bloisi , Signal Processing, EURASIP, 2005.
http://www.dis.uniroma1.it/~bloisi/software/imbs.html, accessed at [27] S. Brutzer, B. Hoferlin, and G. Heidemann, Evaluation of background
30/03/2013. subtraction techniques for video surveillance. In IEEE Conference on
[7] D. Parks, http://dparks.wikidot.com/source-code, accessed at Computer Vision and Pattern Recognition (CVPR'11), p. 1937-1944,
30/03/2013. 2011.
[8] F. El Baf and T. Bouwmans, Comparison of background subtraction [28] T. Bouwmans, F. El Baf, and B. Vachon, Background Modeling using
methods for a multimedia learning space, In the International Mixture of Gaussians for Foreground Detection - A Survey, Recent
Conference on Signal Processing and Multimedia, SIGMAP, 2007. Patents on Computer Science, Vol. 1, No. 3, pp. 219-237, November
[9] F. El Baf, T. Bouwmans, B. Vachon, Fuzzy Integral for Moving Object 2008.
Detection, IEEE International Conference on Fuzzy Systems, FUZZ- [29] T. Bouwmans, Recent advanced statistical background modeling for
IEEE 2008, pages 1729-1736, Hong-Kong, China, 1-6 June 2008. foreground detection - a systematic survey, In Recent Patents on
[10] F. Baf, T. Bouwmans, and B. Vachon, Type-2 Fuzzy Mixture of Computer Science, vol. 4, n. 3, pp. 147-176, 2011.
Gaussians Model: Application to Background Modeling, In [30] T. Bouwmans, Background subtraction for visual surveillance: A fuzzy
Proceedings of the 4th International Symposium on Advances in Visual approach, In Handbook on Soft Computing for Video Surveillance,
Computing (ISVC'08), 2008. Chapter 5, 2012.
[11] H. Zhang and D. Xu, Fusing Color and Texture Features for [31] T. Bouwmans, https://sites.google.com/site/thierrybouwmans/, accessed
Background Model, Third International Conference on Fuzzy Systems at 30/03/2013.
and Knowledge Discovery, 2006. [32] Y. Benezeth, P. M. Jodoin, B. Emile, H. Laurent, and C. Rosenberger,
[12] J. Carranza, C. Theobalt, M. Magnor, and H. Seidel, Free-viewpoint Review and evaluation of commonly-implemented background
video of human actors, In the ACM Transactions on Graphics, subtraction algorithms, In Proceedings of the IEEE International
22(3):569577, 2003. Conference on Pattern Recognition, 2008.
[13] J. Yao and Jean-marc Odobez, Multi-layer background subtraction [33] Y. Goyat, T. Chateau, L. Malaterre, and L. Trassoudaine, Vehicle
based on color and texture, IEEE Computer Vision and Pattern Trajectories Evaluation by Static Video Sensors, In The 9th International
Recognition Conference, Minneapolis, MN, 2007. IEEE Conference on Intelligent Transportation Systems, Toronto,
[14] J. Yao and J.M. Odobez, http://www.idiap.ch/~odobez/human- Canada, 2006.
detection/related-publications.html, accessed at 30/03/2013. [34] Z. Zivkovic and F. V. D. Heijden, Efficient adaptive density estimation
[15] L. Bender, http://scene.sourceforge.net/, accessed at 30/03/2013. per image pixel for the task of background subtraction, Pattern
Recognition Letters, Volume 27 Issue 7, Pages 773-780, May 2006.
[16] L. Maddalena and A. Petrosino, A Self-Organizing Approach to
Background Subtraction for Visual Surveillance Applications, In IEEE [35] Z. Zivkovic, http://www.zoranz.net, accessed at 30/03/2013.
Transactions on Image Processing, Vol. 17, No. 7, pp. 1168-1177, 2008. [36] Z. Zhao, T. Bouwmans, X. Zhang, and Y. Fang, A Fuzzy Background
[17] L. Maddalena and A. Petrosino, A fuzzy spatial coherence-based Modeling Approach for Motion Detection in Dynamic Backgrounds, In
approach to background/foreground separation for moving object Proceedings of The Second International Conference Communications
detection, Neural Computing & Applications, Vol. 19, No. 2, pp. 179- in Computer and Information Science Volume 346, pp 177-185, 2012.
186, 2010.

View publication stats