Int ern at i onal  Journ al of  El e ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   11 ,  No.   1 ,  Febr uar y   2021 , pp. 21 7 ~223   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v11 i 1 . pp217 - 223          217       Journ al h om e page :  http: // ij ece.i aesc or e.c om   Detectio n and tr ac kin g o f moving  object u sing mod ified  b ac kg ro un d sub t raction a nd  Ka lm an filt er       Jeev i th   S .   H . 1 ,  Lak s hmik ant h S . 2   1 Resea rch   Schol ar,   Visv esva ra y a   Tec hnologica l U nive rsit y ,   Indi a   2 Depa rtment of  ECE ,   Acha r y a   I nstit ute of Te chn olog y ,   Ind ia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Ja n 1 7,   2020   Re vised  Jun  22 ,   20 20   Accepte d  J ul  12, 2 020       Moving  obje c t  d et e ct ion  and  tr acking  (MO DT)  is  the   m aj or  ch alle nging  issue  in  Com pute r  Vision,   which  play s  a  vital  rol e  in  m an y   app li c at ions  li k e   roboti cs,   surv e il la n ce,  nav igation  s y st ems ,   m il it ar ie s,  e nvironmenta l   m onit oring  et c .   The re  a re  seve r a l  exi sting  t ec hni ques,   which  has  bee n  used  to   det e ct   and  tr ac k   the   m oving  obje ct   in  Survei ll a nce   s y st em.  Therefore   it   is   nec essar y   to  dev el op  new  al gor ithm   or  m odifi ed  al gorit hm   whi ch   is  robust  to   work  in  both  d a y   and  nigh t  ti m e.   In   thi s  p ape r ,   m odifi ed  BGS   te chn ique   is  proposed.   The   vi deo  i s  first  conve rte d  to  num ber   of  fra m es,   the n    the se  fra m e     are     appl i ed    to  m odifi ed  bac kgr ound    subtrac ti o n    te chni que    wi th    ada pti v e     thre shold    which     give s    det ec t ed     obje ct.  Kalman   fil te r  t ec hn ique   is  used  for   tra ck ing  the   detec t ed  obje c t.   Th e  expe rim ental  r esult s  show s   thi s  proposed   m et hod  ca n  eff i c ie ntly   and  cor re c tly   d etec t  and  track  the   m oving  obje c ts  with  le ss   proc essing   t ime  which   is c o m par ed  with   exis ti ng  t ec hniqu es .   Ke yw or d s :   Ba ckgrou nd s ubtract io n  (B G)   Com pu te r  visi on ( C V)   Fr am e d iffer e nc ing   (FD)   Kalm an  filt er (KF)   Mov i ng ob j ect   detect ion an d  trackin g   This   is an  open   acc ess arti cl e   un der  the  CC  B Y - SA   l ic ense .     Corres pond in g  Aut h or :   Jeevit h S .   H . ,    Re search   Sc hola r,     Visv es va raya  Tech no l og ic al   Un i ver sit y   B el agav i,  India .   Em a il :  j eevit hshbp @g m ai l.com       1.   INTROD U CTION   Vide o  sur veill ance  is  the  m os t  sign ific a nt  r esearch  a rea  in   CV  w hich  is  us e d  to  ide ntif y  and   trac k  m ov ing   obj ect s  in  vi deo.  MO DT  has  a  la r ge   var ie ty   of  ap pl ic at ion   in  c ompu te r  visi on   s uc h  as  c om pr ess ion   of  vid e o,   visi on   base d  con t ro l,   visu al   su r veill ance,  hum an  com pu te r  inter faces,  r obotics   a nd   m edical   i m age  processi ng   [ 1 - 4 ].   MOD T  in  vid e o  is  an  i m portant  chall en ging  ta sk   withi n  the  area  in  C V.   It  is  the  pro cess  of   analy zi ng   vid e o  f ram es and  e stim ation  of po sit ion  of the object , f i nally  f in d  the  obj ect s tr ajecto ry. There  are  3  basic  ap proac hes  in  obj ect   detect ion ,  t he y  are  fr am e  d iffe re ncin g  ( FD ) ,  O ptica l  flo w  an d  bac kgr ound  su bt racti o n  (B GS )   [2 - 4 ] .  FD  is  the  sim ples t  te chn i qu e   to  cal culat e  the  di ff ere nce  betw een  tw o  co ns e cutiv e   fr am es.  It  can  hav e  str ong  fle xib il it y  fo r  sud den   e nv ir onm e nt  change,  but  diff ic ulty   to  reco gniz e  the   ob j ect ’s   sh a pe  and   obj e ct   in  sta ti on ary.  This  m e tho d  i s  no t  accu rate  [5 ] .   Op ti cal   flo w  is  the  te chn iqu e  wh ic h  is  us ed  t o  analy ze  the  im age  vecto r  fiel d  of  m ov ing  obj ect   a nd  poss ess  cl us te ri ng  base d  on  opti cal   flo w  distrib utio n  char act e risti cs  of   im age.  Us in g  this  te ch niqu e,  the  com plete   inf or m at ion   of   a n  obj ect   m ov em ent  an d  obj ec t   detect ion   from   backgro und  c an  be  obta ined   bette rly .  But  it   has  m or e  co m plex  cal culation ,  poor  in  a nt i - no ise   perform ance.  As  res ult,  it   is   no t  su it able  f or  real  tim e  app licat ion s  [ 6 - 7 ].   BGS  m e tho d  i s  the  si m ple  tech ni que   to ide ntify o bje ct s in  m otion . I t i s v ery se ns it ive to  the ill um i nation cha nge  and also  has   p oor  a nti - inte rf e r ence  abili ty  [ 8 - 10 ].   Param et ers  aff ect ed  on   E xisti ng   detect ion   te chn i qu e s  su c h  as  su dde n  change  in  obj ec t  m otion,  scen e   il lu m inati on ,  obj ect s  s had ow,   ca m era  cl arit y  in  m otion   [ 11 - 13] .  Scene  il lum inati on   cha ng e  is  a  chall eng e  for  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  11 , No .  1,   Febr uar y  2021  :    2 1 7   -   2 2 3   218   BGS,   su c h  as  su dde n  c ha ng e   in  cl im at e,   nig ht,   et c   [14 - 18] .  From   nu m ber   of  ye ars,  va ri ou s   BG S  te c hniq ues  hav e  bee n  pro po s ed  by  m an y  r esearche rs  t hat  m a in  fo c us  is  to  bu il d  m or e  eff ect ive   backgro und  m od el   to   handle  it  [ 20 - 25] .   In   order   t o  ov erco m e  this  prob le m ,  m od ifie d  BGS  is   use d  in  this  paper  to  ac hieve  higher  le vel   com pu te r  visio n - base d  syst em   us ing   kalm a n  f il te r   (KF)   [ 19] .  Fir st,  it  m u s t  be  robu st  agai nst  sc en e  illu m i nation  change.  Se cond ,   it  should  avoi d  detectin g  m o ving  bac kgroun d  obj ects   suc h   as   m o ving  le av es ,   rain,   sn ow,  and   sha do ws  ca st  b y   m oving   obj ects   [ 17 - 18] .   Th e  fo ll owin g  sect ion s  are  as  f ollows:   Sect ion   2   desc rib es  p r op,   s ect ion   3  desc r ibes  re su lt s a nd a naly sis an d sec ti on   4 desc r ibes c on cl us io n .       2.   PROP OSE D MET HO DOL OGY   The  pro posed   blo c k  diag ram   of  m ov in g  ob j ect   detect i on  and  trac king  i s  sho wn  in   Fi gure  1.   T he  flo wch a rt  of  pr opos e d  m et ho dolo gy   is  as   s hown  in   F ig ure   2.   I niti al ly   the  input  vid e o  is   ta ken  f r om   database .   Fr am es  can  be   extracte d  f ro m   input  vid e o,   t hen  m od ifie d  BGS  is  a ppli ed   to  ide ntify  the   obj ect   m ov em ent  by   us in g  a dap ti ve  thres ho l d.   Dete ct ion   of   obje ct s  is  reali zed  by   subtract in g  ba ckgr ound  im age  from   ever y  f r a m e   o f  v i deo u si ng  m od ifie d  BGS   .           Figure  1. Pro pose d  blo c k diagr am  u sin g  m od ifie d  bac kgr ound s ubtract io n       Fo rm ula for  Im age subtracti on :  Subtrac te d Im age =  I(x, y)   –   B( x, y ).                    =   {      ;            ≥  ℎ 0 ;           <    ℎ                                                                         ( 1)     Wh e re  I(x, y)     i s the  fore groun d fr am e and  B   is t he  Ba ck gro und fr am e. Ad pt th   is an  ad a ptive th res ho l d.     Wh e n  | I(x, y )  –   B(x, y) |>   A dpt th ,  pix el s  are  de fine d  as  fore gro und  ob j ect s .  Si m il arly ,  w hen   |I (x,y) - Bt (x ,y)  |<   Adpt th ,   p i xels  are   def i ned  as  ba ckgr ound.   Fi na ll y,  the  resu lt   is  a  detect ed  obj ect   in  f or e gro und  fr am e.     In   t his  pa pe r,   the  bac kgr ound  im age  al ways  cha ng e s  due   to  the  c ha ng e s  in  ob j ect   m ov em ent  and  oth e r  env i ron m ent  dis turb a nc e.  So   we  nee d  co ntinu al ly   update  the  bac kgr ound  i m age.  Using  an  adap ti ve   thres ho l d,   t he   m ov e m ent  of  ob j ect s  ca n  be  detect ed  correct ly   unde r  sud de n  cha ng e   in  il lum i nation.   Mor phologica l  operati on  is   a tec hn iq ue   of  e xtracti ng o bjec t  from   fr am e  that  ar e u sef ul  i n  the obj ect  sh a pe  a nd   represe ntati on   and  re gion  s ha pe  descr i ption,   su c h  as  boun dar ie s,   sk el et ons,  a nd  s o  on.   It  rem ov es  no ise   in   detect ed o bj ect  b y  dilat ion  a nd e ro si on.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Detect ion   an d t ra cki ng  o f m ov ing   obje ct  u si ng mo difi ed  b ac kgr ou nd   …   ( J eevi th S .  H. )   219       Figure  2. Flo w char t  of ob j ect   detect ion an d  t rack i ng       2.1.  K alma n fi lt er      Af te r  the  m orpholo gical   ope rati on,  ta rg et   obj ect   can  be   tracke d  us in g  Kalm an  filt er   in  F igure   2 .    It  can  be  a  st r ai gh t  ideal   sta nd i ng  est i m at i on   ap proac h  t hat  is  th ought  al ong  a bout  th e  pr eem inent  r eal iz ed  hyp oth esi s  c ha nn el   s pec ulati on s   [ 2][7 ] .   Sta nd i ng  co ndit ion   ca n  be   a  str ai gh t  ou tl ine  of  w k ,   u k−1   a nd  x k−1 .   Ob se r vation  c onditi on  m igh t  be  a   direct  de li neati on   of  x k   a nd  v k .   A   powe rful  m od el   is  giv e n  sta nd i ng   conditi on and  per ce ptio n  c onditi on  t hro ugh t he  so li d  est im at ion   redresse d by est im ati ons   [2 ].   Kalm an  channel   (m et ho dical )  st and i ng con diti on is  pr inte d  as  pur s ue:     11 xu   x   A   B kk kk w       (2)     Ob se r vation eq uation i s  def i ne d  as  foll ow :     k k x k z H v      (3)       In   the  highe r  than  recipes:  v k ,  z k ,  A,   H,   w k ,   u k−1 ,  v k   is  the   sta nd i ng   vect or,  the  pe rce ption   vecto r,    the  sta ndin g  c hange  netw ork ,  the  perce ptio n  f ram ewo r k,   the  f ram ewo r k  com m otion   ve ct or ,   the  fr am ewor k  the  boar d  vector,  the  per ce pt ion   cl am or   ve ct or ,  se ve rall y.  w k   an d  v k   zo ne  unit   ex pect ed  to  fu l fill   po sit iv e  un m ist akab le ,  par al le l  an d  ra ndom ,  zero   m ean  re searc her  rack et   vecto r;   k  ca n  be  a  s ubscri pt;  w k  a nd  z _k   te rr it or y  unit  happ y:     T E w 0 , c o v w E ( w w ) Q         (4)      TT () E v 0 , c o v v E   v v   ( R,   E   w v 0 )   (5)         k R n      is  sk et che d  out  beca us e  of  the  past  sta ndin g  est im a ti on   got  f r om   st and i ng  pro gre ss  conditi on   rig ht  now  of  k - 1,   x k   is  pr inted  be cause  of  the  ba ck  sta ndin g  est i m ation   joins   the  est i m a ti on s  rig ht   now of k . T he deviat io ns   unit  of esti m a ti on   app ea re d  in  cond it io n (6) a nd cond it io n (7):     k kk e x x     (6)    Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  11 , No .  1,   Febr uar y  2021  :    2 1 7   -   2 2 3   220   k kk e x x    (7)        The  pr io ri  an d  back   est i m at i on   de viati on   c o - var ia nce  c onditi on s  ca n  be  char act e rized  a s  co nd it io n  (8)  a nd con diti on (9) :     kk k T p [ e e   ] E     (8)      kk T k [e       e pE ]                                                                                                                                     ( 9)       We  s hould   se e  sta nd i ng   |a   sta nd i ng }  est i m at ion   conditi on   x k   that  as certai n  the  ba ck  sta ndin g  est i m ation   in  this  m ann er  on  prom pt  the  Kalm an  channel  conditi ons.  It  ne eds  the  com pu t at ion   eq uatio n  of   x k   is  that  the  strai gh t  m ix  of   f rom   the  earli er  est i m ation   an d  weig hted  qu al i ficat ion   betwe en  ob vious  est im at ion s  and   est im at ed  figure  est ee m .  the  fo ll ow ing   f oreca st  a nd   update  c onditi ons  f r om  the  Kalm an  channel   hypothesis  unit  of esti m a ti on   go t.  F or ecast  c onditi ons  un it   of estim at ion   m ade open as  purs ues:     k k 1 k 1   x   A x     B u     (10)     T k k1 p   A P   A     Q        (11)     Eq uations de fi ned h e re:      kk 1 TT k K p H H p H R     (12)     k k 1 k k k   x   x ) KH ( z    (13)      kk k p I K H     ( ) p    ( 14)       w he re  K k , x k , p k , I  is t hat the  Kalm an  gain n et work, ideal c hannel  worth , c hannel  dev ia ti on fram ewo r k,   corner   to cor ner  lat ti ce.       3.   RESU LT S  AND A N ALYSIS   The  p r opos e d  work   is  im plem ented  in  Ma tl ab.   Th e  tw o  vi deo   dataset s  are  us e d  in  the  pro po se d  work.  It  prov i des  gr ound - tr ut h  m ark ing s  a nd   a nnotati on  with  va rio us   a tt ribu te s  li ke  oc cl us io n,   backgro und  cl utter,  r otati on,  S cene  il lum inati on   c ha ng e   et c.  on  vid e o  seq uen ce s.  In  this  pa per,  A naly sis  of  dif f eren t  detect ion   al gorithm   is  do ne  for  di ff e ren t  da ta set s  us in g  Kalm an  filt er.  From   co m par at ive  res ult  Table  1 ,  accuracy  of m od i fied  B GS  m et hod  is m or e t han o t her 2  m e thods.       Table 1.C om par at ive r e su lt   of  al l detec ti on  m et hods   for wal king  dataset     Fra m e   Dif f erence   Op tical  Flo w   Back g rou n d   Su b traction   Mod if ied  Back g ro u n d   Su b traction   Accurac y  ( %)   1 5 .13   1 6 .77   9 2 .70   9 9 .27   IoU   72   66   74   76   Fra m e  per  seco n d   4 .38 e - 01   4 .74 e - 01   3 .79 e - 01   3 .88 e - 01   Proces sin g  ti m e   (s ec)   1 8 0 .36   1 9 5 .5   1 5 6 .32   1 5 1 .3   Total n u m b er  o f  Fr a m es   412   412   412   412   False f ra m e  r ate   164   20   65   57       We  hav e   quantit at ively   evaluated   our   detect io n  al gorithm s  us in g  par am et ers:  Acc ur acy ,  In te r sect ion   ov er  U nion  (IoU) ,  Fr am es  per   s econd   (F P S) ,  False   fr am e  D et ect ion   (FD )  r at e .  Fig ur e  3  s how   is   the  segm ented  i m age  us i ng   Fr am e  diff ere nc ing   te ch nique ,  Figure  4  s ho wn   in  t he  seg m ented  i m age  us in g  op ti cal   flo w  te chn i qu e   an d  Fi gure  5  s how n  in  the  se gm ented  im age  us in g  m od ifie d  BGS  te chn iq ue.   F or   night   dataset ,  this  propose d  work   i s  i m ple m ented,   w hich  c ould  extract  m ov ing  obj ect s  from   t he  lo w   il lum in at io n  vid e o.   From  Tab le   2  res ult a na ly sis  of  B GS  i s also d on e  usi ng K al m an  filt er in ni gh t t im e .    Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Detect ion   an d t ra cki ng  o f m ov ing   obje ct  u si ng mo difi ed  b ac kgr ou nd   …   ( J eevi th S .  H. )   221   Groun dtr uth   Track i ng im age   Segm ented  im age           Figure  3. Se gme nted res ult o f f ram e d iffe rence       Groun dtr uth   Track i ng im age   Segm ented  im age           Figure  4. Se gme nted res ult o f o ptica l fl ow       Groun d  tr uth   50 Tim e fr am e  of  vid e o   Segm ented  im age           Figure  5. Se gme nted res ult o f m od ifie d  bac kgr ound s ubtrac ti on         Table2 .   Com pa rati ve  r esult  of all  d et ect io n m et ho ds f or n i gh t  dataset   Nig h t Video  datas et   Fra m e   Dif f erence   Op tical  Flo w   Back g rou n d   Su b traction   Mod if ied  Back g ro u n d   Su b traction   Fra m e  per   seco n d   1 .47 e+0 0   2 .47 e - 01   3 .22 e - 01   2 .60 e - 01   Ov erall  p rocess in g    Ti m e    4 .05 e+0 2   1 .39 e+0 2   1 .82 e+.02   1 .47 e+0 2   Nu m b e r  o f  Fr a m e     378   1281   565   565   Nu m b e r  o f  Fr a m e     5 0 0 x 5 0 0   5 0 0 x 5 0 0   5 0 0 x 5 0 0   5 0 0 x 5 0 0   False f ra m e  r ate   22   29   80   180       4.   CONCL US I O N     Mov i ng   ob j ect   detect ion   &  trackin g  for  the  dynam ic   env iron m ents  espec ia ll y  in  design i ng   of   vi de o  su r veill ance  sy stem   is  a  challen gi ng   ta s k  in   CV.  I n  this  pa per,  m od ifie d  BGS  is  pro po sed  us in g  ada ptive   thres ho l d  for  detect ion  w hic h  is  e ff ic ie ntl y  identify   t he   m ov ing   ob j ec t  in  f or e gro un d  us in g  bac kgrou nd.    In this  pro po se d w ork , Kal m a n fil te r  is use d for   trac king  of  m ov ing   obj ect .       Fr om   resu lt   e va luati on ,   it   is  m anifest  that  the  acc ur acy   of   pro po se d  m et ho d  is  99. 2%  , w hich  is  bette r   than  e xisti ng  te chn iq ues  a nd  al so   proces s ing   ti m e  is  1. 47 e+ 02  w hic h  is  le ss  than  existi ng   te c hn i qu e s.  Ther e f or e  t he  pro po se d  m et h od   is  rob us t  an d  ada ptable  to  work   in  day  and   night  tim e   eff ic ie ntly .  In   fu t ur e   pro po se d  m et ho d ha s to  m eet   the r eal - ti m e req ui rem ents.           Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  11 , No .  1,   Febr uar y  2021  :    2 1 7   -   2 2 3   222   REFERE NCE   [1]   S.  R.   Ba la j i,   S.   Kart he y an ,   “ A  surve y   on  Movin g  Objec t  Tracki ng  Us ing  Im age   Proce ss ing, ”  11 th  international  conf ere n ce on  in te lligent syste ms   and  con trol ,   pp.   469 - 474,   2017.   [2]   Shridevi .   S.   Va seka r,   Sanj iva ni   K.  Shah,   “ Background  Subtrac ti on  and  Ka lman  Filt er  Algor i thm  for  Objec t   Tra ck ing,”  Int .   c onfe renc e  on   Rece nt   Tr ends  in  I mage  Proce ss in g  and  Pa tt ern   Recogni ti on ,   pp .   19 4 - 202,   2019 .   [3]   H.S.G. Supree th · Cha ndra s heka r   M.  Pati l, ”  Eff ic i ent   m ult ipl e  m oving  obje ct   de tecti on  and  tr ac kin g  using c om bine d   bac kground  subt rac t ion  and   c lust eri ng” ,   Sign al ,   I m age   and   Video   Proce ss ing,   vol . 12, no. 6 ,   pp .   109 7 - 1105 , 2018   [4]   A.  A.  Mali k,   A.  Khali l ,   and  H.   U.  Khan,   “ Obj ec t  Det ec t ion  a nd   Tra cki ng  usi ng  Bac kground  Subtrac ti on  and  Connec t ed  Com ponent   La be li ng ,”   Int ernati onal   J ournal  of  Comp ute r A pp li ca ti on s,   vol. 75,  no.   13 ,   2013   [5]   W enc hao  Li u,   He  Chen   ,   Long   Ma ,   “ Moving  obje c t  det e ct ion   and  tra cki ng  b ase d  on  ZYNQ   FPGA  and  AR M   SOC ,”   pp. 1 -   4 ,  2 015.   [6]   Trupt i  A.  Chop kar ,   Shashikan t   La had e,   ”Real   Ti m e  Detect io n  of  Moving  Object  Based  On   FP GA ,”   IOSR   J.  El e ct ron.   Comm un.   Eng ,     vol .   11 ,   no .   1 ,   pp .   37 - 4 1,   2016 .   [7]   S.  Shanta i y a ,   et   al ,   “ Multi pl e  obje ct   tracki ng  usin g  kal m an  fil te r  a nd  opti ca l  flow, ”  European  Journal  of  Adv ances   in  Eng ine ering   a nd  Technol og y,   vol.   2 ,   no .   2 ,   pp .   34 - 39,   2015 .   [8]   Za ki  Y.  Abid,   T hamir  R.   Saee d,   and  Sam ei r  A.  Azie z , ”  Sel ec t io n,   Dete c ti on ,   an d  Tra cki ng  of  Vi deo  obje c ts  Based   on  FP GA , ”   Internat ion al   jou rna l   of  Com pute r, C om m unic a ti on  ,   Control   and   s y st em    Engi ne eri n g,   v ol .   15,   n o. 1 ,   2015 .   [9]   G.   Sindhura  Bharga vi ,   B. Prave e n  Kum ar,   and  T .   Kal y an,   “ Fast  Bac kground  Subtraction  Algori thm  for  Moving   Objec t   Det ec t ion   & Tracking in  F PG A ,”   Int. J.  So f tware  Har dware  Re s.   Eng ,   vo l.   2 ,   no .   6 ,   pp .   65 - 7 0,   2014 .   [10]   Poonam   Gujra th i   R,   Arokia  Pri ya,   P.  Mala th i,   “ Detect ing  Moving   Objec t  Us ing  B ac kground  Subtrac t ion  Algorit h m  in  FP GA ,”   Fourt h  Inte rnat ional   Confe renc e  on   A dvanc es  in  Com puti ng  and   Comm unic ati ons,   pp.   117 - 120,   2014.   [11]   Abutal eb  M.   M,   Ham dy .   A,  Abu el wafa .   M.  E.,  Saad  E.   M,  “ FPGA - base d  obje c t  ext ra ct ion  b ase d  on  m ult imodal   sigm a - del ta   b ackground  esti m ation ,”  2 nd   Inte rn ati onal  Conf ere nce   on  Comput er,   Control  and   Comm unic ati on ,     pp.   1 - 7 ,   2009 .   [12]   M.  Saad,  A.  Ha m dy   and  M.   M.   Abutal eb ,   “ FP GA - Based  implementa t ion  of  a   Low  Cost  and   Area   Re al - Ti m e  Motion  Det ec t io n ,”  15 th  In te rnat ional   Conf ere nc e  of   Mi xe d  D esig n  MIX DES ,   pp .   249 - 254,   2008 .   [13]   Butl er .   D,   Srid har an.   S,   Bove   V.  M.,   “ Real - ti m e  ada p ti ve  bac kground  seg m ent at ion ,”  I E EE   Int ernati on al  Confe renc e  on   A cousti cs,   Spe ec h ,   and  Signa l Proc essing,   vol .   3 ,   pp .   349 - 352 ,   2003 .   [14]   Li   Q - Z . ,   H e  D - X.,   and   W ang  B, ”  Eff e ct iv e  m oving  objects  d e te c ti on  b ase d  on   cl uster ing  b ac k ground  m odel   f or   vide o  surve il l an ce , ”  Proceedi ng s of   th e  2008   Co ngress   on  Image  and  Signa l Proc ess ing,   vol .   3 ,   pp .   656 - 660 ,   2008 .   [15]   Appiah  K.,   Hunter   A,   “ A  single - ch ip  FP G A  implementa tion  of  rea l - ti m e  ada pt ive   background  m odel ,”     IEE E   Inte rnat io nal  Conf ere nce  on  Fi eld - Progra mm able   Technology,   pp .   95 - 102 ,   2005.   [16]   Picc ard i,  M.” Ba ckgr ound   subtra ct ion   techniqu es:  a   rev ie w , ”   IE E E  Int ernati onal   Confe renc e  on   S yste ms ,   Man   an d  Cybe rnet ic s,   vol   . 4,   pp.   3099 – 310 4 ,   2004 .   [17]   Cucc hi ara,  R. ,   Grana ,   C . ,   Pi ccardi ,   M . ,   Pra ti ,   A. ,   “ Detect ing   m oving  obje cts ,   ghost s,  and  s hadows  in  video   strea m s, ”   IEEE  Tr ansacti ons   on   Pat te rn  Anal ysi s.  Mac hine   Intel li gen ce ,   vol .   25,   no. 10 ,   pp.   1337 – 1442 ,  October   2003 .   [18]   Vladi m ir  Y.  Maria no  et.  al.  "P erf orm anc e  Evaluation  of  obje ct   Det ec t ion  Algorit h m , "   16th  int ernati onal  conferen c e   proce edi ng   on  p att ern  re cogni t io n ,   vol .   3 ,   2002 .   [19]   Olive r,   N . M.,   R osario,   B. ,   Pent l and,   A.P,   “ A  Ba y esi an  computer   vision  s y stem  f or  m odel ing  hu m an  int eract ions , ”   IEE E   Tr ans.  Pattern  Ana ly sis.   M achi ne   Intelli g en ce ,   vol .   22 ,   no .   8 ,  pp .   831 – 843 ,  A ugust  2000 .   [20]   Ya  Li u ,   Ha iz hou   Ai,   and  Guang - y ou  Xu ,   “ Moving  object  d etec t io n  and   tracki ng  b ase d  on  B ac kgro und  subtraction , ”   Inte rnational   So ci e ty   for  Optic s   and  Phot onic s  In  Mult ispec tr al  Image  Proces sing  and  Pat te rn  Re cogni t ion,     pp.   62 - 66 ,   2001 .   [21]   Stauffe r  C,   Gri m son  W .   E.   L ,   “ Adapti ve  background  m ixt ure   m odel s  for  re al - ti m e  tra ck ing ,”   IEEE  Comput er  Soci e ty   Con fe re nce   on   Compute r V ision  and   Pa t te rn R ec ogni ti on ,   vol .   2 ,   pp .   637 - 663 ,   1999 .   [22]   Coll ins,  R . ,   L ipton,   A.,   Kan ade, T. ,   “ A s y st em for  vi deo  survei ll a nce   and  m onit or i ng, ”   Int ernati on al    Proceedi ngs  of  Ame rican  Nuc lear   Soci ety  ( ANS)  Ei ghth  I n te rnat i onal  Topical   M e et ing  on   Robotic   and  Re mot e  Sys te ms ,   pp.   25 – 29 ,   1999 .   [23]   Alan  J .   L ipt on,   Hironobu  Fuji y o shi,  and  R aj u  S .   Pati l . ,   “ Moving   ta rge t  c la ss ifi c a ti on  and  tracki n g  from   rea l - t ime  vide o ,”   Proce ed i ngs f ourth  IE EE  workshop on  ap pli cations of   co mputer  vi sion ,   p p.   8 - 14 ,   1998 .   [24]   Hari ta og lu  I,  Harwood  D,  Davi s  L.   S,  “ W 4:  W ho ?   when ?   wh e re ?   wha t ?   A  r eal  ti m e  s y s te m   f or  det e cting  and   tra ck ing  people,”  Proceedi ngs  Thir d  IEE E  Int ernati onal  Conf ere nce   on  Au tomati c  Fa ce   and  Ge sture  Re cognitio n ,   pp.   222 - 227 ,   19 98.     [25]   W ren   C.   R,   Aza rba y e ja ni  A,  Darre l l  T,   Pentla nd  A.P,” Pfinder :  rea l - ti m e  tra ck ing  of  the   huma n  bod y , ”   IEEE   Tr ansacti ons on Patt ern   Analysis and  Mac h ine In te lligen ce , v ol .   1 9,   no   7  ,   pp .   780 – 785 ,  Jul.   1997 .                   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Detect ion   an d t ra cki ng  o f m ov ing   obje ct  u si ng mo difi ed  b ac kgr ou nd   …   ( J eevi th S .  H. )   223   BIOGR AP H I ES   OF  A UTH ORS       Mr.   J ee vith  S .   H .   is   a  Resea r ch   Schola r  at   VTU ,   Bel ag avi ,   Karn at ak a,   Indi a.   He   has   pursed  B. E   ( Te l ec om m unic a ti on  Engi n ee rin g )   and  M.T ec h  ( VLSI  a nd  Emb edde d  S y st em )   from   VTU   in     the   y ea r  2009  an d  2012   respe ct iv ely .   He  is  worki ng  as   As si stant   profe ss or ,   Dept .   of  El ectroni cs  &  Telec om m unic a ti o n  Eng ine e ring ,   SS IT ,   Tu m akur u,   Karna t aka ,   Ind ia .   He   has  working  expe ri ence  of    m ore   tha n  7   y e a rs .   His  ar ea   o f  r ese arc h   intere st   are   Im ag e  pro ces sing  and  VLSI.   He  is t h e  m embe r  of  AM IE .         Dr.   Lak sh mikan th.  S .   has   purs ed  his  B . E   ( EEE)  and   M.T ec h  (CAID )  from   V TU,   Be la g avi ,   Karna ta k a ,   Indi a ,   in  the   y ea r  20 02  and  2007  res pec t ive l y .   He  ha s  bee n  awa rde d   Ph.D  in  Jain   unive rsit y ,   B en gal uru,   Karna taka  in  the b  y ea r   2015.   He  is  c urre ntly   w orkin g  as  As oci at e  profe ss or ,   Dept .   of  ECE ,   Ach a r y a   Instit u te   of   Te chno log y ,   B enga luru ,   Karna ta ka .  He  has   working  expe ri e nce   of  m ore   th a n  18 y e ars.   His  a rea   of  r ese ar ch   i nte rest   are   Sign al   proc essing ,  Signal   D eno isin g ,   Pow er   El e ct ro nic s a nd   Control s y st em.He  is  th e  m ember  of   M IE   and   MIS TE .     Evaluation Warning : The document was created with Spire.PDF for Python.