Indonesian J ournal of Ele c trical Engin eering and  Computer Sci e nce   Vol. 2, No. 1,  April 201 6, pp. 151 ~ 16 0   DOI: 10.115 9 1 /ijeecs.v2.i1.pp15 1-1 6 0        151     Re cei v ed  Jan uary 21, 201 6 ;  Revi sed Ma rch 2 1 , 2016;  Acce pted Ma rch 3 1 , 2016   Background Modeling to Detect Foreground Objects  Based on ANN and Spatio-Temporal Analysis       N Satish  Ku m a r* 1 , Shobha G 2   CSE Dep a rtme nt, R V Colleg e  of Engine eri n g ,  Bangal ore, K a rnatak a, India   *Corres p o ndi n g  author, e-ma i l : satish.rmgm@gmai l.com 1 , shob ha g@rvce .edu.in 2       A b st r a ct   T h is pap er presente d  an a p p roac h to buil d in g backgr o u nd mod e l for mov i n g  obj ect detecti o n   usin g u n su per vised  artifici al  neur al  netw o rk  (ANN) w i th out  any  pri o r k n o w ledge  a bout  foregr oun d  obj e c ts.  First, using  loc a l b i n a ry p a ttern (LBP) w h ic h  is textur e f eatu r e, bui lds  a sta t istical Back gro und  Mod e l  usi n g   ANN, then, co mp arin g the b ehav ior  of next  inco mi ng fra m e w i th mod e l a nd dec id e eac h pixe l w hethe r is   d e v ia ti n g   from  a  m o d e l   o r  n o t.  An d  b a s e d  o n   i f  m e th od  d e t ects  fo re g r ou n d  o b j e c ts  th e n   ba ckg rou n d  m odel  is up date d  to  mak e  this   mo del  ad aptiv e. Also, sp atia l-te mp oral  inf o rmation  has  be e n  ex plo i ted  in  th i s   meth od to su ppress su dde n illu minati o n  variatio n and  to suppress false foregr ou nd pix e ls. It  w a s   de mo nstrated  and pr ove d , by qual itat ive a nd qu antitativ e  metrics that  the new ly pr es ented  appr oac h i s   ada ptive,  gen e r ic an d c an  ad dress  all  issu e s  an d ch al l e n g e s for  backgr o und  subtr a ctio n. T o  ev alu a te  the   perfor m a n ce o f  the prese n te d ap proac h thi s  pap er  co mp ared w i th rec e nt appr oac hes  by usi ng stan da r d   metrics a nd pr oved that pr es ented  meth od  out perfor m s  many existi ng re cent appr oac h e s.    Ke y w ords :  L o cal Bi nary  Pattern, Illu mi natio n variati o n,  spatial-te mpora l , ANN, HCI, Backgro und   Subtractio n         Copy right  ©  2016 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion   The ability to extract movin g  foreg r ou nd obje c ts from  a compl e x video seque nce is first  and foremo st  step of m a ny comp uter vision p r obl ems [1, 2], traffic mo nitoring [3], hum an  detectio n  a n d  tra cki ng o r   h u man - ma chin e interfa c e  (HCI) [4,  5, 6] v i deo  sum m ari z ation,  amon g  other a pplica t ions. Backg r ound Subt ra ction is not hin g  but discrim i nating movin g  obje c ts fro m   static in a giv en video seq uen ce.   There may be many different alg o rith ms ha s be e n  use d  for  many years in many  comp uter visi on appli c atio ns, exampl e  object d e te ction an d tra cki ng, the ta rget re co gniti on,  human  tra cki ng etc., [7,  8]. Even though  re sult s  of the existi ng ba ckg r ou nd subtractio n   algorith m s  are fairly goo d,  however , ma ny of these  al gorithm s a r e  vulnera b le to  both glo bal a nd  local  ill umina t ion  ch ang es  su ch as sh ado ws and highlight s.  T hese  p r oble m s cau s e m any   comp uter visi on appli c atio ns to fail.   As an  in stan ce if optical flo w  b a sed Ba ckgr oun d Subt ractio n [9, 1 0 ]  is a nalyze d , this i s   comp utationa lly expensive   and  not suita b le for re al -ti m e sce n a r ios. Therefore, t here  is the  n eed  for an algo rithm whi c h sh ould be comp utationally afforda b le for re al-time scen a r ios a nd gen e r ic.  Apart from th ese  req u irem ents the r e ex ist impo rtant probl em s  in backg ro u nd subtra ction  tho s e  are: sen s itivity to dynamic backg rou nd  cha nge s,  a s   cou n term ea sure m odel, h a s to a dapt  via   backg rou nd maintena nce or  u pdatin g. Followi ng are   som e  of th e  familiar i s sue s  a nd  chall e n ges  in backg rou n d  maintena nce:     Light cha n g es:  Th e mod e l sho u ld ad a p t to gradual  & sudde n illu mination cha nge s.     M o ving bac k ground :  T h e mod e l  sho u ld n o t dete c t cha ngin g  b a ckgroun d  which  is not   of  intere st for vi sual  surveill a n ce, such as  wa ving tre e s,  rippling the  water.      Cas t  shad o w s:  Th e mod e l sho u ld det ect and  sup p ress moving cast sh ado ws.      Bootstr a ppi ng:  Th e mo d e l sh ould  be  accurately ini t ia lized  even  in the ab se n c e of  static   (free of movin g  obje c ts) trai ning set at the time of building mod e l.     Cam o u f lage :   Moving obj ects  sho u ld  be prope rly detecte d eve n  if there is  a ch romati c   simila rity to th ose of the ba ckgro und m o del.  It is very mu ch  de sira ble  to have a c cu rate  a nd  efficient re sult s o f  non-station a ry an d   foreg r ou nd o b ject s dete c ti on in vide o seque nce with out sh ado ws  and illumi nati on effect s. Th ese  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 25 02-4 752                   IJEECS  Vol.  2, No. 1, April 2016 :  151 –  160   152 probl em s are  the und erlyi ng motivation  of this work   descri bed i n  this p a pe r.  A lot of re sea r ch  has  bee n do ne in b a ckg r ound  su btra ction field, but  still there is a re quireme nt to develop  a  robu st, efficie n t and ge neri c  ba ckgroun d  subtractio n algorith m whi c h is  able to  also d e tect a n d   sup p re ss sha dows from  all kind s of co mplex vi deos. Even shado w dete ction i s  very useful  to  many appli c a t ions such as Shape from Shado w  pro b l ems [11]. Th e descri b ed  method in thi s   pape r m u st  a l so  add re ss p r oble m s such  as sen s it ivity, reliability, ro bustn ess,  sh ado w d e tecti o n   and  sp eed   of fore gro u n d  obj ect  det ection. In  th i s  p a pe r,  we  present a   gene r ic ad ap tive   backg rou nd subtra ction alg o rithm  with  shado w supp ression for d e tecting movin g  obje c ts fro m  all  types of com p lex backg ro und video s.   Here is the  organi zatio n  of the paper. Secti on I I  describe s   overview of  existing  approaches of  background  subtraction. Section III explains  background model methodologies  and  sha d o w   sup p re ssion.  In Section IV , we repo rt ed   re sults achie v ed  with exp e rime ntation of  the prop osed  appro a ch in terms of a c cu racy an d  efficiency, com p a r ing them  with several oth e r  existing po pu lar metho d s.  Section V co nclu de s  and  she d s lig hts  on furthe r re search di re ctio ns   in backg rou n d  subtractio n and shad ow  detectio n .          Figure. 1. Backgro und  sub t raction flo w  diagram       2. Litera ture  Rev i e w   There are m any tradition al approa che s  to moving object dete c tion whi c h i n clu d e s   optical flo w   [10], temporal differe nci n g [12 ], and  backg r o u nd  subt ra ction  [13]. Temp oral   d i ffe r e nc in g  w o rks  b y  tak i n g  d i ffe r enc es  in   co nsecutive vide o fram es,  which  is  ea sy to  distinguish static  objects from  moving foreground  objects. Th i s  approach  w ill incorporate   adaptive n a tu re to dyn a mi c envi r onm en ts and  can  so lve su dde n i llumination v a riation. But i t  is   subj ect to th e foreg r ou nd  apertu re p r oblem. Opti cal flow techn i que s aim at  comp uting  a n   approximatio n of the 2 D  m o tion fiel d fro m  the spatio-t empo ral info rmation of ima g e pixel valu es.  Even thoug h  they ca n det ect movin g  o b ject s in th e pre s en ce   of came ra moti on,  mo st  opti cal  flow comp uta t ion metho d s are  com puta t ionally ex pe nsive, an d cannot b e  ap p lied in  real -time  videos.   Obviou sly Ba ckgro und  su btractio n i s  t he  comm on and efficient method   of  d e tecting   moving foreg r oun d obj ect s  from th e stationary  ca mera  (e.g. [ 13]). It works ba se d on  the  differen c ing  of  cu rrent  frame seq uen ce with  refe rence  b a ckg r ound   mod e l without any prio r  kno w le dge a bout ho w m any obje c ts,  velocities  o f  moving ob jects a nd  sh ould not h a v e   foreground aperture probl em. But op tical flow i s  very sensitive to  illuminations variations due to  variou s  rea s ons. Even  thoug h the s e  are  dete c te d, they leav e be hind  hol e s,  whe r e  n e wly  entere d  o b je cts differ from  backg rou nd  model. Th ere  will b e  a fal s e ala r m rate f o r a  sh ort p e riod   of time.     Apart from above  said  state-of -art methods, fu rther  sections  will gi ve insi ght int o  many   recent alg o rit h ms in  order to  su cceed i n  dete c ting a nd extra c ting  moving fore grou nd o b je cts.  There are many pixel-based algorithms s u c h   as  ViB e  [14] and PBAS [15]  but they differ from  traditional  ap proa ch es  as  they con s id er on rando m  pixel sam p lin g and l a bel  diffusion. Ev en  though   pixel-based metho d s are simpl e ,  lightwei gh t,  and  effective  they a r e  not  co nsi d e r ed  the  spatial  rel a tio n shi p  of pixe ls an d a r e  n o t obj e c t-b a sed. Spatial-b a se d meth od s o n  the  oth e r   hand, attemp t to harne ss t h is info rmatio n usin g f eatu r es  or blo c k  descri ptors [1 6, 17] and lo cal  colo r histo g ra ms [18] in ord e r to achieve better and effi cient re sult s.   There a r e t y pical  ca se s whe r e thi s  con c e p t is useful, fo r example, f o reg r o und  occlu s ion s   wi th pixel inten s ities  whi c h  are e qual to  that of backg roun d an d gl obal illumi nat ion  variation s . In orde r to overcome th ese issue s   tempo r al and  spatiot e mpo r al-ba s e d  method s ha ve  been  propo sed by m any  resea r chers  whi c h ta ke  i n to a c count  temporally re currin g be ha vior  Evaluation Warning : The document was created with Spire.PDF for Python.
IJEECS   ISSN:  2502-4 752     Backgroun d Modelin g to Dete ct Fore gr ound O b je cts Based on A NN a nd Spati o -…   (NS Kumar)  153 betwe en the  backg rou nd  model a nd th e previo us,  current an d u p comi ng fra m es  of the video.  Such  u s eful  informatio n  can pl ay a  ve ry si gnifi cant  rol e  in  an al yzing  and  d e tecting  movi ng   foreg r ou nd o b ject s witho u t any noise a n d  accuracy. T h is informatio n is also useful in estimati on   of sho r t-te rm  intensity cha nge s (dynami c  ba ckg r ou nd s e.g. ri pplin g  wate r, swayi ng tre e s, et c.),  sudden illumi nation  chang es,  and moving cast  s hadow  detection.  Such a solut i on i s  present ed  usin g bidirecti onal tempo r al  analysi s  [19].  There have  been p r o posi ng many ap proa ch es  to  merg e the concepts of d i fferent   model s that rely on multiple algo rithm  techni qu es simultan eou sl y  including  p o st-p ro ce ssin g,  advan ced  mo rphol ogi cal  o peratio ns.  Ho wever with   th ese  combin ations are ve ry su cce ssful  a t   improvin g the  perfo rman ce  of their re sp ective al g o rit h ms, but ofte n they suffer  from in cre a si ng   comp utationa l expen se s,  time, and  so me re qui red  prio r trai nin g  pha se  which i s  p r a c tically  infeasi b le for real -time a pplication s . Hei kkil a  an d  M  Pietikaine n [20] propo sed  ba ckgro und   subtractio n m e thodol ogy b y  exploiting lo cal  bina ry pat tern  (LBP) a s  a featu r e,  wh ich i s   prove d   to  be reliable  a nd efficie n t texture b a se d  method.  Sin c e the n , man y  research ers have  propo sed   alternative s :  Yoshin aga [2 1] pre s e n ted  a metho dol og y by integrati on of bot h sp atial-ba se d a nd  pixel-ba se d a ppro a che s  u s ing Mixture o f  Gau ssi an s  (MoG s).  On t he oth e r ha n d , Zha ng  et  al.  prop osed an  appro a ch b y  combinin g  spatial texture an d tem poral m o tion  analysi s  using  weig hted  LBP histo g ram s . Obje ct T r a c king  u s ing  Camshift  and   MoG [2 2, 23]  wa s  propo se d to  track moving  obje c t at real-time.   Ho wever the r e are m any b a ckgroun d  su btractio n  al go rithms proved  to be  very ef ficient  and reliable, t here i s  no  sin g le gen eri c  al gorithm   whi c h can  solve a ll the issues  and challe ng es  mentione d in the previou s   se ction.    This  pape r p r opo se d an   approa ch to  building  ba ckgrou nd m ode l for moving  obje c t  detectio n  an d sha d o w  su ppre s sion  wh ich is b a sed  on unsupe rvised si mple  Artificial Ne ural   Network  (ANN)  witho u t an y prio r kno w l edge  abo ut foreg r o und  an d shad ow. T h e idea  con s isting  of adoptin g bi ologi cally in spired  ANN to  model  th e b a ckgroun d, compa r ing th e  behavio r of  next  incomi ng f r a m e with  mo d e l an d d e cidi ng p e r  pixel  wheth e r i s   de viating from  a  model  o r  n o t. And  also  the  prop ose d  m e thod  ma ke s u s e   of sp atia l info rmation  of th e ba ckg r oun d  mod e l to  det ect  foreg r ou nd o b ject s. It was demon strate d and  prov e d , by qualitat ive and q uan titative metrics,  that the new propo se d method is ad a p tive,  generi c  ca n add re ss all a bove  said issue s   and  chall enge s fo r backg ro und  subtractio n.      3. Proposed  Approac h   This presente d  a  ne w a p p r oach of  buildi ng  a  ba ckg r o und  model  ba sed  on  LBP  (texture)  feature  and A NN, in spi r ed   by Kohone n [ 24]. This  pap er p r e s ente d   a metho d  whi c h e m ployed  a   simple  2-D flat grid of no des to b u ild  a  backg ro un d model. Ea ch node j (out put neu ron )  has  weig ht vector Wj. It builds a neuronal m ap for ea ch  p i xel which  co nsi s ts of nine  weight vecto r s.  Features at  each pixel  h a ve cl uste re d into th e  set of weight  vecto r s ba sed o n  Eu clid ian  distan ce. Th e  LBP feature  vectors a r e  pre s ente d   to  all the neu ro ns a s  inp u ts.  Then, for e a c h   input ve ctor,  the ne uro n   c ha s  sele cted  with  minimu m  Eucli d ian  distan ce. Foregro und   mov i ng  obje c t dete c ti on  carrie d o u t  by ch eckin g  the diffe ren c e bet wee n   cu rre nt fram e a nd b a ckg r ou nd   model by Eu clidia n dista n c e. If incomin g  pixel exhi bi ts sam e  beh a v ior that of the model, the n  it  is terme d  as  backg rou nd, otherwise as  a forei gn fo re grou nd pixel. Backgroun d Model is u p d a ted   if any pixel is  cla ssifie d  a s   backg rou nd.   Back groun d  Model  buildin g, foreg r ou nd  detectio n  u s i ng  Euclidia n dist ance and u p d a ting the Mod e l is given in followin g  se cti ons.     3.1 Bac k grou nd  Model   The b a ckg r o und m odel  is built u s in g t he first fra m e  se que nce from the vid e o ;  that is,  each of the ni ne weight ve ctor is  assig n e d  with   co rre spondi ng LBP  operator  of a  pixel of the first  frame  sequ e n ce. In this  a ppro a ch , to repre s e n ts  we ight vector, L BP feature of  a pixel ha s b een   cho s e n , whi c h is very rob u s t and invari a n t to illumination and  colo r.    The  set  of  we ight vecto r s o f  an im age  I  with  N  ro ws a nd M  colum n s i s   rep r e s e n ted a s  2- D flat g r id  of  neuron s A  with 3xN and  3x M dime nsi o n s , an d  weight  vectors fo r  pi xel (x, y) a r e  at  positio n (i, j ) , i=3x,…, 3x +2  and  j=3y,…, 3y+2 . Ex ample  2-D fl at grid  of n e u ron a l m ap i s   demon strated  for an image  I with 2 rows  and 3 column s in figure 1.    Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 25 02-4 752                   IJEECS  Vol.  2, No. 1, April 2016 :  151 –  160   154                     Figure 2. (a)  A simple ima ge (b ) the ne uron al map  structu r e       Figure (a ), is image with 2  rows an d 3 column s, (b )  repre s e n ts we ight vect ors (a1, …, a9) st ore   in 3x3 m a trix  of neu ron a l  map A, a nd  similarly, (f 1,  …, f9)  weight  vec t ors with  respec t to  pixel f   in image (a) a nd so o n .     3.2 Feature  Extr action   This pap er e m ployed LBP  texture  feat ure s   to build   ba ckgro und model, whi c h   is  ve ry  efficient an d  con s id ers the  neigh borhoo d of ea ch  pix e l and  co nverted into a bi n a ry num ber.  Due   to its simplici t y, LBP operator ha s become a ve ry popul ar featu r e for many comp uter visi on  appli c ation s .  The mo st importa nt pro perty that made LBP fe ature to sel e ct for buil d ing   backg rou nd  model  is its  comp utationa l sim p licit y a nd its robu st ness to  illum i nation va riati on.   This  se ction  descri b e s  ho w to  calculat e LBP feat ures from a n  i m age. Thi s  i s  de mon s trat ed in   figure 2. To  extract LBP, a circul ar n e i ghbo rh o od d enoted by (S , R) is  con s i dere d , wh ere  S  rep r e s ent s sa mpling poi nts and R is the  radiu s  of the neigh borhoo d .             Figure 3. An example of L BP computati o n       The point s around the pixe l (x, y)  located at coo r dinat e points (x p , y p ) is given by:    (x p , y p ) =  (x + R  co s  ( 2 π p/P ) , y  −  R  sin (2 π p/P))  (1)     With the e q u a tion (1 ) if a  sampli ng p o i nt doe s not   yield at integ e r coo r din a te s, the value  is   interpol ated.  The LBP lab e l for the  ce nter pixel  (x,  y) of image f ( x, y) is obtai ned throug h  the   equatio n (2 ).      , ,  ,  ,  2     (2)   Whe r e  s(z) i s  the threshold  function an d is given by,     sz 1, 0 0, 0   (3)   3.3  Finding the  Bes t  Match   Given the  current pixel p  at time t, the value I t (p ) is  co mpared to th e cu rrent pixe l model,   given by M t − 1 (p), to determi ne the wei ght  vector BM(p ) that best matche s it:  Evaluation Warning : The document was created with Spire.PDF for Python.
IJEECS   ISSN:  2502-4 752     Backgroun d Modelin g to Dete ct Fore gr ound O b je cts Based on A NN a nd Spati o -…   (NS Kumar)  155  ,  m i n , ,… ,   , ,    (4)   Where  d(:,:)  is the E u cli d i an di stance  betwe en two vectors  bet ween background model  and   incomi ng fra m e pixel.  3.4  Foregro und  Detec t ion an d Upda ting the Model   By subtractin g the  cu rrent  image  fr o m   the ba ckgrou nd mo del, e a c h  pixel p t  of  the t th   seq uen ce  fra m e, I t  is com pare d  to  the  curre n t pixel  weig ht vecto r s to  dete r min e  if the r e  exists a   weig ht vector that best m a tche s it. Th e best ma t c hing weight  vector i s  use d  as the pix e l’s   encodin g  app roximation, a nd therefore p t  is dete c ted  as foregroun d if no acce p t able matchin g   weig ht vector exists; otherwise  it is cla s sified a s  ba ckgrou nd.      1   ∀ ∈   (5)   Whe r e   repre s ent s the 2-D neighb orh o o d  with width 2 k +1  ∈ N  The sp atial a nalysi s  is introdu ced u s ing  K-Ne a r e s t Neighb or (K NN) Search alg o rithm in  Backgroun d Model, and th e backg rou n d  subtra ction  mask Dt(p) i s  compute d  as:     1      ,  / 2 0          (6)   Whe r e K N N is result of KNN  se arch  o n  finding  be st match in  th e ba ckgroun d mod e l, n is the  numbe r of be st match e s fo und in Backg r ound Mo del.       4.  Experimenta t ion and Res u lt Analy s is  Experimental  result s for  Backgroun d Model an d foreg r o und d e tection h a ve been   perfo rmed fo r all types of challen g ing video sequ en ces. 5 differe nt types of videos with  (movi ng  background, illumination  variation,   water surface, camera  jitter)   with frame rate 15 fps and  320x24 0 reso lutions a r e  co nsid ere d . Th e  sel e cte d  p a rameters fo r  e x perime n tatio n  is a s  foll ows:  The nu mbe r   of model  cho s en i s  3x3, that is ea ch  p i xel has to b e  rep eated 9  times, dista n ce   threshold  is 1 . 0 for t r ainin g  and  0.00 8 fo r te sting  pha se, lea r ning  ra te fixed to  1 f o r trainin g  a n d   0.5 for testing .     4.1 Performa nce Mea s ure  Method    To evalu a te  the pe rform a nce  of the p r opo se d met hod  with stat e-of-th e  a r t method s  three me asures were u s e d : Recall, Preci s ion,  an d F-mea s u r e.  Those metri c s definition a r e   given as follo wing.       Table 1. A co ntingen cy tab l e   Correct  Foreg r ou nd  Correct  Backgro und  Classified as Foreground   True Positi ves (T P)  False Positives ( F P)   Classified as Background   False Negat ives (FN )   True N egatives ( T N)              0 ,        (9)         0,        (10 )   In orde r to o b tain high  Re call, actu ally Preci s io n ha s to be scarifi ed and vice versa, so  there i s  a tra de-off bet wee n  Re call a nd  Preci s io n.  To  avoid the s e  mislea ding, t he pa per  use d  F - measure [25]  as a nothe r  very importa nt perfo rman ce  met r ic whi c h con s id ers  both  Recall and  Preci s io n re sults simulta n e ously. The F - measure expression i s  give n belo w  as:     ,  2    (11 ) Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 25 02-4 752                   IJEECS  Vol.  2, No. 1, April 2016 :  151 –  160   156 whe r e r: Recall; p: Precisi o n       4.2 Experimental Results  In orde r to  evaluate the  perfo rman ce of the propo sed m e thodol ogy, five video   seq uen ce s from the Li da taset have to  be us ed. Th e results fro m  the propo s ed method  was   comp ared  wi th those fro m  MoGv2  [2 5], GMG  [2 6], and  Texture BGS [2 0]. The  ba ckgro und   subtractio n result s obtain ed from pro posed  meth od and oth e r  state-of-a rt methods  were  demon strated  in further sections.                  Figure 5. Shopping Mall Vi deo: (a ) cu rre n t fram e; (b)  Grou nd T r uth  foregroun d Mask; (c)  MoGv2; (d ) G M G; (e) Text ure BGS; (f)  Propo se d me thod       Her e  m o v i ng  E scal a t o r  (S S )  v i deo   seq u e n ce   ha s  bee n  co nsi dered.  This seque nce is an   example for  complex ba ckgrou nd an d same is de mo nstrate d  in figure 6.                   Figure  6. Escalato r Video:  (a) current frame;  (b ) Gro und Truth foregro u nd M a sk; (c) MoGv2;  (d)  GMG; (e ) Texture BGS; (f) Propo se d me thod                    Figure 7. Indoor Lig h t Switch Video: (a)  curre n t  frame ;  (b) Groun d Truth foregro und Ma sk; (c)  MoGv2; (d ) G M G; (e) Text ure BGS; (f)  Propo se d me thod       Lobby (LB )  video sequ en ce ha s be en  con s id e r ed,  which is an  indoor  environment;   contai ns 1,545 fram es.  This  demonstrated  sudden illuminati on variation in an indoor  environ ment as sho w n  in figure  7.  To comp ar e the  prop osed me thod with the  recent pop ul ar  backg rou nd  subtra ction  alg o rithm s , pap e r  u s ed  pa ram e ters given i n  those refere nce  pap ers o r   by repeatin g  the experim ents. A ll the Backgro und  Subtractio n method s incl uding p r op osed,   Evaluation Warning : The document was created with Spire.PDF for Python.
IJEECS   ISSN:  2502-4 752     Backgroun d Modelin g to Dete ct Fore gr ound O b je cts Based on A NN a nd Spati o -…   (NS Kumar)  157 MoGv2, GM G, and T e xture BGS al gori t hms a r e im pl emented i n   MATLAB. In this p ape r g r o und  truth foreg r ou nd mask fra m es a r e emp l oyed provi d e d  by Li dataset. The recall  values a c qui red   by applyin g  al l the m e thod s incl udin g  p r o posed  metho d  a r e  demo n strated i n  figu re 8.   Th e recall   values obtain ed by a pplyin g  propo se d m e thod  out pe rform s  all th e e x isting meth o d s  and  sa me  is  sho w n in figu re 8.           Figure 8. Re call results for  prop osed an d  other me tho d s for all vide o seq uen ce s  of Li dataset       The p r e c isio n  values o b tai ned by p r opo sed  and tho s e com p a r iso n s  with oth e r  method s  are  demo n st rated in fig u re  9. The  preci s ion  value s  o f  prop osed m e thod  are  bet ter than  all th e  existing meth ods a nd sam e  is sh own in figure 9.            Figure 9. Pre c isi on re sult s for pro p o s ed  and othe r  me thods fo r all video sequ en ces of Li data s et      The F1  mea s ure valu es for all video  seq uen ce s of Li  dataset hav e been sh own  i n   figure  11. The F1  result i s  a ve ry good  perf o rma n ce met r ic  whi c h ta kes b o th re cal l  and p r e c isi o n   simultan eou sl y. F1 values are mo re for t he pro p o s ed  whe n  com p a r ed with othe r method s.          Figure 10. F-Measure re su lts fo r pro p o s ed and oth e r  method s for a ll video seq u e n ce s of Li  dataset    0 0.2 0.4 0.6 0.8 1 SHOP ESC S WITH FOUNT T REES Recall PROP MOGV2 GMG TEXBGS 0 0.5 1 1.5 SHOP ESC S WITH FOUNT T REES Pr ecision PROP MOGV2 GMG TEXBGS 0.00 0.50 1.00 PROP MOGV2 G MG TEXBGS F ‐ Measur e SHOP ESC SWITH FOUNT Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 25 02-4 752                   IJEECS  Vol.  2, No. 1, April 2016 :  151 –  160   158 Figure 11 sh ows the average prec i s io n ,  recall an d F - mea s u r e for  all video seq uen ce of  Li dataset. The pro p o s ed  method  sho w s goo d avera ge value s  of all perfo rman ce metri c s for all  videos.           Figure 11. Averag e Pre c isi on, Re call an d F-Me asu r e  for all video seque nces of  Li dataset       There is anot her pe rforma nce met r ic  ca lled,  percenta ge of wro ng  cla ssifi cation  (PWC)  [27]. This gi ves the p e rcentage  of pi xels cl assi fie d  as fo reg r o und b u t those are  not a c tual  foreg r ou nd pi xels. This i s  a l so called p e rcenta ge of false ala r m s .    PWC (% of wrong  cla ssifi cation): 100 *(F N +FP)/ (TP+FN+FP+T N )  (12 )     Figure 12  sh ows PWC of  the prop os e d  and all oth e r metho d s,  also figu re d e mon s trate s   that  PWC value s  for  all vide o sequ en ce s are le ss  co mpared  with  othe r m e th ods.  That  m ean s   prop osed met hod re sult s in  fewer fal s e a l arm s  wh en compa r ed  with  other metho d s.       5. Conclu sion   Very less re sea r ch ha s  been  done f o r p r op osin g  gene ric  ba ckgroun d subt ractio n   algorith m  whi c h  can  solve  almost all th e  issue s  and  challen ges  of foreg r o und d e t ection p r obl e m .  The p r opo se d wo rk i s  a  contri bution t o  the  ne w b a ckgroun d subtra ct ion m e thod u s ing  ANN,   spatio -temp o ral informatio n. This algo ri thm al so ma ke s use of gradie n t information wh en ever  necessa ry in  orde r to  compen sate  sudde n  illumi nation vari ation for in doo r environme n t.  Perform a n c e of the propo sed method wi th all exis ting is rep o rted. Analysi s  sho w s that propo sed   method i s  v e ry robu st a nd outp e rfo r ms m any  e x isting alg o ri thms fo r all  types of vi deo  seq uen ce s. Propo se d me thod ca n be  applie d for a n y type of video sequ en ces an d meth od is  gene ric a nd a c hieve s  go od  result s for m any chall engi ng video seq uen ce s.          Figure 12. Perce n tage of  Wrong Cl assi ficati on for all  video seq u e n ce s of Li dat aset         0 0.5 1 PROP MOGV2 G MG TEXTUREBGS Av e r a g e   P,   R,   and   F ‐ measur e AVERAGE   PRECISSION   PR AVERAGE   PRECISSION   REC AVERAGE   PRECISSION   F ‐ MEA 0.00 50.00 100.00 150.00 SHOP ESC S WITH FOUNT T REES PROP MOGV2 GMG TEXBGS Evaluation Warning : The document was created with Spire.PDF for Python.
IJEECS   ISSN:  2502-4 752     Backgroun d Modelin g to Dete ct Fore gr ound O b je cts Based on A NN a nd Spati o -…   (NS Kumar)  159 Referen ces   [1]  Ismail H a rita og lu, D a vid  H a r w ood,  an d  Larr y  S D a vis. “ Re al -ti m e  System fo r De te cti n g an d  Tra c king  Peop le ”. Proc.  the third IEEE  Inter national Conference  on  Automatic Fac e  and Gestur e Recognition  (Nara, Japan), IEEE Computer So ciet y  Pr ess ,  Los Alamitos,  Calif .  199 8: 22 2-22 7.   [2]  D Butl er, V B o ve, a n d  S S h rid hara n . “R e a l tim e  a d a p ti ve b a ckgro un d /foregrou nd  se gmentati on”.   EURASIP Jour nal o n  App lie d Sign al Process i ng . 20 05; 14:  229 2– 230 4.  [3]  N F r iedma n  a nd S R u ssel l . “ Imag e Se g m e n tation  in Vi de o Seq u e n ces:  A Proba bil i stic  Appro a ch ”,   Procee din g s of  the 13th Co nferenc e  on U n c e rtaint y in Artifi cial int e ll ige n ce , Morgan Kauf mann. 19 97.    [4]  CR W r en, A Azarba ye ja ni, T  Darrell, a nd  A Pent lan d . “Pfinder: Re al-ti m e T r acking of the Huma n   Body ”.  IEEE Trans. on  Pattern  Analys is an d  Machi ne Inte lli genc e.  IEEE Computer S o ciety  Press,  Los   Alamitos, Ca lif. 1997; 1 9 (7): 7 80-7 85.   [5]  J Ohy a , et al. “Vir tual Metamorphosis”.  IEEE Multimedia. D OI: 10.1109/93.771371 . 199 9; 6(2): 29  –   39.   [6]  J Davis, and A  Bobick. “ T he repres entati on  and R e co gniti o n  of Action usi ng T e mpor al T e mpl a tes ”.  Procee din g s of  Confere n ce o n  Comp uter Vi sion a nd Patter n  Reco gniti on.  199 7.  [7]  A Utsumi, H Mori, J  Ohy a , and M Yachida. “ Mu l t i p le -hum an  tra cki ng   using multiple c a meras ”. In Proc.   the thrid IEEE Internation a l  C onf. Automati c Face and Gesture Rec o g n i tion (Nar a, Ja pan). IEEE   Comp uter Soci et y  Press, Los  Alamitos, Ca lif. 1998.    [8]  M Yama da, K   Ebih ara,  and  J  Oh ya .  “ A  new  r obust r eal-ti m e  metho d  for  ext r acting  hu man   silho uettes   from co lor i m ages ”. In Pro c . the third IEEE Internatio nal C onf. Aut o matic Face  and Gestu r e   Recognition (Nara,  Japan), IEEE Computer  Societ y  Press,  Los Alam itos, Calif. 1998: 528–533.   [9]  T  Horprasert, I Haritao g l u , C W r en,  D Har w o o d , LS Davi s, and A Pentl and. “ Re al-ti m e 3d  moti o n   capture ”. In Proc. 1998 W o rk shop o n  Perce p tual Us er Interface (PUI’98),  San F r ancisc o . 1998   [10]  Dani el  D  Do yl e ,  Alan  L J e n n in gs, Jon a tha n  T  Bl ack  “Optical  flo w   back g ro u nd  estimatio n  f o r re al-tim e   pan/tilt cam e ra  obj ect trackin g ”.  Journ a l of t he Intern atio na l Meas ure m e n t Confe derati o n . 2014; 4 8 :   195 –2 07.   [11]  Xu e Yu an,  Xi a o li H ao, H o u jin  Che n , Xue y e   W e i. Backgro u nd Mo del in g M e thod  bas ed  o n  3D S h a p e   Reco nstruction  T e chnol og y.  T E LKOMNIKA e-ISSN: 2087-2 78X .   201 3; 11( 4): 2079~ 2 0 8 3   [12]  Álvaro B a yon a ,  Juan C Sa n  Migue l, José  M. Martínez. “ Stationary F o regr oun d Det e ction Us in g   Backgro un d S ubtractio n  and   T e mp ora l  D i fference  In  V i de o  Surve ill ance ” .   Procee din g s  of 20 10  IEEE   17th Intern atio nal C onfere n ce  on Ima ge Proc essin g .  Hon g  Kong. 20 10.   [13]  C Stauffer a n d  E Grimso n. Ada p tive  bac kg rou nd m i xtu r e mod e ls for  real-tim e trac king.  IE EE  Confer ence  on  Computer Vis i on an d Pattern  Recog n itio n, CVPR . 199 9: 2 46– 25 2.  [14]  O Barnic h  an d M V a n  Dro oge nbro e ck. “ V iBe:  a  p o w e rful ra ndom  t e chn i qu e to  e s timate t h e   backgr oun d in  video s equ e n ces.”  Internat ion a l Co nfere n ce on Ac ous tics, Speech,  and Si gn a l   Processing, ICASSP 2009 . 2009: 94 5– 94 8.  [15]  M Hofmann, PT iefenbach e r, G  Rigoll. “Bac kgrou nd Segm entatio n  w i th F eed back: T he  Pixel-B a s e d   Adaptiv e Segm enter”, in proc  of IEEE  Works hop o n  Ch ang e Detectio n. 20 12.   [16]  Harita ogl u I, Har w o od D, D a v i d LS. W 4 : “Re a l-time S u rvei ll ance  of Peo p le  and th eir Activ i ties.”  IE EE  T r ans. on PAMI . 2000; 22(8):  809 –8 30.   [17]  Pierre-Marc J o doi n, Ma x Mig notte, an d Jan u sz Konr ad .  “ S tatistical Bac k grou nd S ubtr a ction  Usin g   Spatia l Cues”.  IEEE Transactions on C i rcuits  and Syste m s for Vide o Techn o lo gy . 200 7; 17(12).   [18]  Shen gpi ng Z h ang, H o n g x un  Yao,  Sha o h u i  Liu. “D yn amic  Backgro un d S ubtractio n Bas ed o n  L o c a l   Dep end enc y Histogr am” .   T he E i ghth  Int e rnati ona l W o rkshop  on  Vis ual  Surve ill an ce - VS 200 8 ,  Marseil l e, F r an ce. 2008.   [19]  Atsushi Sh im ada, H a jim e  Nag ahar a, Ri n-ichir o  T anig u chi, “Back g r oun d Mod e l i n g  bas ed  on   Bidirecti o n a l A nal ysis”.  CVP R . 2013.   [20]  Heikki la M,  Pietikai nen M.  “A texture-b a se d method for mode lin g the backgr oun d a nd detecti n g   movin g  obj ects”.  IEEE  Transa c tionso n  Patter n  Analys is an d Machi ne Intell i genc e . 200 4.  [21]  S Yoshin ag a, A Shimad a, H  Naga har a an d  R T aniguch i . “Backgrou n d  model  base d  on inte nsit y  chan ge simi lar i t y  amo ng p i xels”.  In F r ontiers of Comp ute r  Visi on, (F CV), 2013 19th  Korea-J apa n   Joint Workshop , 2013: 2 76– 2 80.   [22]  Li Z h u, T ao H u . Res earch  of  CamS hift Al g o rithm to  T r ack Motio n  Ob je cts.  TELKOMNIKA, e-ISSN:  208 7-27 8X . 20 13; 11(8): 4 372 ~ 4378.   [23]  Hon g - x un,  Z h ang  a n d  De  Xu.  “F usi ng c o lor   an d  gra d ie nt featur es  for b a ckgr o und  mo del”.    In 8th Internati ona l Conf erenc e on Sig n a l  Processi ng . 20 06 .    [24]  David e  B a ll ab i o , Vivi an a C o nson ni, R o b e rto T odesch ini.  “ T he Koho nen  an d  CP-ANN  tool bo x:   A   collecti on  of MAT L AB modul es for Self Organ izin g  Maps  and C o u n terp ropa gatio n Arti ficial N eura l   Net w orks.  Ch e m o m etrics an d  Intellig ent La b o ratory Syste m s .   2009; 98( 2): 115 –1 22.   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 25 02-4 752                   IJEECS  Vol.  2, No. 1, April 2016 :  151 –  160   160 [25]  Andre w  B God beh ere, Akihir o   Matsuka w a, Ken Gold berg. “ V isua l  T r acking of Human Vi sitors und er   Varia b le- L ig hti ng  Con d iti ons  for a  Res p o n sive  Aud i o   Art Installati on ”.  IEEE Amer ican Control  Confer ence F a irmont Quee n Eli z a b e th, Mon t réal , Can a d a . 201 2.  [26]  F  El Baf, T  Bou w m ans, a n d  B Vach on. “T yp e-2 f u zz y mi xture  of Ga uss i ans m o d e l: A pplic atio n to   backgr oun d mode lin g”.  Intern ation a l Sy mpo s iu m on Vis ual  Co mp uting, ISVC .   2008: 7 7 2 –78 1.  [27]  Agun g N ugr oh o Jati, L e d y a   Novamiz anti,  Mirsa Ba yu  Pr aset yo, An d y   Ruh end y  Putra .  Evalu a tion  o f   Movin g  Obj e c t  Detectio n  Methods  bas ed o n  Ge ne ral Pur pos e  Sing le B oard  Comp uter.   T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri n g .  2015; 1 4 (1): 1 23 ~  129.     Evaluation Warning : The document was created with Spire.PDF for Python.