Attēlu fona modelēšanas algoritmi

Abstract

Datorredzes izpētes laukā ir sastopami dažādi izacinājumi, kas atstāj iespaidu uz fona modelēšanas algoritmu darbību. Piemēram, apgaismojuma maiņas, dinamisks fons un ēnas. Pie fona modelēšanas izaicinājumiem var pieskaītīt arī ar video filmēšanas tehniskajām grūtībām radītios izaicinājumus, pie kuriem pieder arī kompresijas artefakti. Taču, ir jāatzīmē, ka kompresijas artefaktu atstātāis efekts uz fona modelēšanas algoritmiem ir maz pētīts. Šī darba ietvaros tika pētīta kompresijas artefaktu atstātā ietekme uz dažiem fona modelēšanas algoritmiem. Izpētei tika izvēlēti divi algoritmi Mixture of Gaussians (MOG) un K-Nearest Neighbours (KNN), kas tika darbināti uz CDNET video datu kopas ar un bez kompresijas artefaktiem. Galvenie šī darba rezultāti ir sekojoši - MOG algoritma rezultāti bija līdzīgi uz visām apskatītajām video kategorijām ar un bez kompresijas artefaktiem. Turpretī KNN algoritma rezultāti nebija tik robusti - izmaiņas algoritma izvadē bija nozīmīgi atšķirīgas starp video ar kompresijas artefaktiem un video bez šādiem artefaktiem.

One can encounter a lot of challenges in computer vision research field, that affect results of background modelling algorithms. For example, illumination change, dynamic background and shadows. One other challenge of background modelling algorithms is challenge related to technical difficulties of filming, which includes compression artefacts. It has to be noted, that effects of compression artefacts left on the output of background modelling algorithms have not been studied in much detail. Therefore, the aim of this bachelor’s paper is to study the influence of compression artefacts on results of background modelling algorithms. For research purposes, there were chosen two algorithms - Mixture of Gaussians (MOG) and K-Nearest Neighbours (KNN). They were run on CDNET video data set for both - videos with and without compression artefacts. The main results of this paper are as follows - MOG algorithm performed similarly along all video categories with and without compression artefacts. On the other hand, KNN algorithm produced results which were less robust - the results for videos with and without compression were significantly different.