Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er   En gin eeri ng   (IJ E C E)   Vo l.   10 ,  No.   2 ,  A pr il   2020 , p p. 18 49 ~ 1858   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v10 i 2 . pp1849 - 18 58          1849       Journ al h om e page :  http: // ij ece.i aesc or e.c om/i nd ex .ph p/IJ ECE   Foregro un d  algorithms for  detect ion and  extractio n of an  ob jec t   in m ulti media       Rekha  V . 1 ,  Na ta r ajan K 2 ,  In nil a  R os e  J. 3   1,2 Depa rt m ent of   Com pute r   Sci en ce   and   Engi ne ering ,   Facu lty   of E ngine er ing ,   Chri st ( Dee m ed to  b e   Univer sit y ) ,   Ind ia   3 Cent er   for  d igi t al   innova t ion  (C DI),   Facu lty   of   Engi ne eri ng,   Ch rist  (Dee m ed   to   be  Univer si t y ), I ndia .       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   A pr   1 , 2 019   Re vised  Oct  23 ,   20 19   Accepte d  Nov  4 , 2 0 19     Bac kground  Subtraction  of  a  f ore ground  obje c t  in  m ult imedia  is  one  of    the   m aj or  p rep r oce ss ing  steps  i nvolve d  in   m any   v ision - base d  appl i ca t ions .   The   m ai n  logi c  for  det ecting  m oving  obje ct s  fro m   the   vide o  is  d iffe ren ce   of  the   cur r ent   fr ame  and  a  ref ere n c e  fra m e  which   is   ca l le d  “ bac kg ro und  image”   and  thi s  m et ho d  is  known  as   fra m e  diff ere n ci ng  m et hod .   Bac kground   Subtrac ti on  is  widely   us ed  for  rea l - t ime  m oti on  gesture   rec o gnit ion  to  b e   used  in  gesture   ena bl ed  it ems   like  vehi c le s  or  aut om at ed  gadget s.  It  is  al so  used  in  con te nt - base d  vid eo  c oding,   t raf fi c  m onit oring,   obj ec t  tracki n g ,   digi tal  fore nsi cs  and  hum an - computer   intera ct ion .   Now - a - da y s  du e  to  adv en t   in  t ec hnolog y   i t  is  no ti c ed  that  m ost  of  th e  conf ere n ce s,   m e et ings  and   int erv i ews  are   d one  on  vide o  cal ls.  It’s  quite  obv ious  tha t  a  conf e ren ce   room   li ke  at m osphere   is  not  al wa y s   rea d ily   available   at   an y   poi nt  of  t ime .   To  era d icate   this   issue,   an  eff icient   al gori t hm   for  fore ground  e xtra c ti on  i n   a  m ult imedia   on   vide o  c al ls  is  ver y   m uch  nee d e d.   Thi s  pap er  is   not  to  jus t   buil d  Ba ckgr ou nd  Subtrac t ion   appl i ca t ion  fo r  Mobile   Pl at f orm   bu t  to  opti m iz e  the   exis ti ng  OpenCV  a lgori thm  to  wor k  on  li m ited  res ourc es  on   m obil e  pl at form   without   r educ ing   the  per form ance .   In  thi s  pap er,  c om par ison  of  var ious  fore ground  det ection,  ext racti on  and  f ea tur e  det e ction  al gorit hm s   are   done  on  m o bil e  pl at form   using  OpenCV.  T he  set  of  exp erim ent s  were   conduc t ed  to  a ppra ise  th e  eff i ci en c y   of   e ac h   al gori thm  over   the   oth er.   The   over all  per f orm anc es  of  th e se  al gori thms   were   compare d  on   the   b asis  of  exe cu ti on  ti m e, r esolut ion   and res ourc es  r equi red .   Ke yw or d s :   Ba ckgrou nd  s ubtract io n   Con t ours   Fo r eg rou nd s ubtract io n   G ra b  c ut   Haar - casca de   HOG   Im age seg m entat ion   Stat ic  b ack gro und   Vab cut   Waters hed   Copyright   ©   202 0   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Innila  Rose  J . ,     Ce nter fo r digi ta l i nn ovat io n ( CDI),   Faculty  of E ngineerin g,   Christ ( Deem e d  to  b e  Unive rs it y), I ndia .   Em a il :   Rose.inn il a.10@ gm ai l .co m       1.   INTROD U CTION   Ba ckgrou nd   subtract io n  is  th e  m eans  of   det achin g  the  for egro und  ob j ect s  from   the  back gr ound  in    a  pro gr essi on  of   vid e o  fr am e s .  I n  the  m os t  r ecent  tw o  deca des  the re  hav e  been   a   num ero us ,  im pr ovem e nts  i n  m et ho ds   of   doing   bac kgr ound   su bt racti on.  T his  al gorith m   has  broa d  us a ge   in  var i ous  cr uc ia l  app li cat ion s  li ke   visu al   m on it or i ng,  spo rts  vid e o  ju dg em ent,  act ion   sei zu re,  a nd   s o  on   [ 1 - 6] .   In   this  paper  a   com par at ive  study   of   al l  the  foregrou nd   de te ct ion   an d  extracti on  al gorithm s  is   pr ese nted.   F or   detect ion   Haa r - casca de,   c on t ours ,   waters hed  a nd  H OG  m et ho d  are   com par ed .  F or  ext racti on  va bcu t  a nd  gr ab - c ut  al gori thm s  are  com par e d.   The  m ai n  m otive  of   this  c om par ison   is  to  ens ur e  w hich  al gorithm   i s  a  bette r  on e  and   will   prov i de   a  com par at ively   le ss  t i m e  f or   e xecu ti on   t han   oth e rs  sin ce  the  m a in  i de a  of  this  pr oj ect   is  to  e xe cute   the  ext racti on  process   on  a   m ob il e  platform   and   f or  that   the  e xec ution  tim e  in  des kt op  s hould  be   m ini m al .   In   t his  pap e r,   f or e gro und  seg m entat ion   in   a   vid e o   is  do ne   us in g  O pen C V.   It  wa s  f ound  that   f or   f or e gro und  segm entat ion   in  O pen C V  the re  is  an  inbuil t  m et ho d  of   bac kgr ound  subtra ct ion .  All  the  ba sic   inb uilt   m e thods   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.  10 , No .  2 ,  A pr i l 202 0  :   1849   -   1858   1850   for  foregr ound   segm entat ion   [7]   wer e   im ple m ented  to   ena ble  a  basic  under sta nd i ng  of   how   the  c ode   w orks   and   to  c hec k  wh et her   m aking   an y  m ino r  changes  in  it   af fects  the  outp ut   var ia nce.  T he   aim   was  to  find   an   eff ic ie nt al gorithm  f or   foregr ound e xtracti on in  a m ultim e dia.    The  m ai n  obj e ct ive  of  this  w ork  i s  no t  t o  j ust   bu il d  Ba ck gro und  Subtract ion   a ppli cat ion  for  M ob il e   Plat fo rm   bu t  t o  opt im iz e  the  existi ng   O penC V  al gorithm   to  w ork  on   li m it ed  resour ce s  on  m ob il e  platfor m   without  reduci ng the  pe rfor m ance.   The  m ai n  obj ect iv es  of the  p ape r   wer e   as foll ows:     To dete ct  the  f or e gro und o bj e ct   and  get t he o utli ne  of t he fo regrou nd ob j ec t.     To  e xtract   t he  f or e gro und o bj e ct  eff ect ively   a nd  va ryres olu ti on s  of t he vide o  acc ordin gly.     Ena ble b ac kgr ound  rep la cem ent   an d  Re duc e the e xec ution t i m e.     Bl end in g  t he n ew back gro und wit h  t he  e xtra ct ed  f or e gro un d object.   In   paper  [ 8 ]   CNN  m et ho d  is  us ed  for  obta ining   th e  f oregro und  m ask.   They  us e d  th e  dataset   of   CDn et   2014  a nd   are  us in g  Subsense   al go rithm   to  pr eve nt  over - fitt in g.  In   pa per  [ 9 ]   sel ect ive  bac kgr ound   Subtract io n  is  us e d.   Ba c kground  m od el li ng  is  us e d  to  de duct   tw o  co ns ec utive  f ram es  to  get  the  sta ti c  pix el s .   The  pr opos e d  te chn iq ue  help s  in  with ho l din g  unwa nted  backg rou nd   from   the  fo refront  an d  the  bac kdr op   scene  in ste ad  of   subtract in g  the  w hole   ba ckgr ound.  Pa pe r  [ 10 ]   focuse s  on  re duci ng   the  ho le s  w hi ch  is   ob ta ine d  wh il e   getti ng   a  f ore gro und  m ask.   This  pa pe r  ex pl ai ns   an d  im pl e m ents  wh y  th ree  fram e  diff eren ci ng  are  us ed   instea d  of  tw o  f ram e   dif fer e ncin g .  Pape r  [ 1 ]   f oc use s  on  M OG  m et ho d  f or   det ect ion   of  ob j ec t.  They  fo c us e d  on  fi ve   crit eria  of   MOG  pa rtic ularly   segm ented  backg rou nd  weig ht  th resho ld,  sta nd a rd  de viat ion  scal ing   factor,   us er  de fine d  l earn i ng   rate,  t otal  num ber   of  Ga us sia n  co m po nen ts  a nd   m axi m u m   num ber   of   com po ne nts  in   the  backgro und  m od el .  Pape r  [ 11 - 1 6 ]  is  on  vid eo  se gm entat ion   for  extra ct ing   the  f or e gro und  obj ect   in   a  vide o.   I n  this  pa pe r  they   a re  us i ng  S URF  al go r it h m   fo r   feat ure  detect io n  of   t he  foregr ound  obj ect   and   e ve ntu al ly   segm enting  them   eff ect ively .   Pape r  [ 1 7 ]   ta lks  ab ou t  G r a b  Cut  Algo rithm   wh ic h  is  one  of   the  fam i li ar  app r oac hes  f or   f or e gro und  e xtr act ion   in  the  dom ai n  of   Im a ge  proce ssin g.  In   p a pe r  [ 1 ]  FCFN   m echan ism   is   us e d  f or  bac kgr ound  s ub tr act ion .  FCFN   m eans  fu zzy   n ear ness   de gree  w hich   use s  f uzzy   c - m eans clusterin g  al gorit hm   for  ide ntifyi ng  wh et her the  pi xel sele ct ed  is   backg rou nd or  foregr ound.        2.   RESEA R CH MET HO D     2.1 .     F r ame  w ork  m odel  of  b ackgr ou n d  s ubt r act i on   of  an   o b ject  in  m ultime dia   Ba ckgrou nd  S ub t racti on  of  a n  obj ect   i n  m ultim edia  (BS O M)  is  on e   of  t he  pr im ary  ste ps   i n  var i ou s   view - base d  operati on s .  A s  the  nam e  su gg est s  backg rou nd   s ubtract io n  is  the  m echan ism   of   deducti ng   foref ront  s ubsta nces  from   the  en vir on m ent  in  a  se ries  of  vi deo   blo c ks.  T he  m ai n  ph il os ophy  f or  ide ntifyi ng   dynam ic   su bs ta nces  f r om   the   vid e o  is  to  s ubtract   bet ween  the  prese nt  fra m e  and   a  re fe ren ce  fr am e  wh ic h  i s   cal le d  “bac kgr ound  im age”  a nd   t his  schem e  is  kno w n  as  fra m e  diff ere nci ng   m et ho d.   Ba ckgr ound  Subt racti on  is  extensi vely   us e d  in  tra ff ic   su r veyi ng  ( det ect ing   veh ic le s ),   hu m an  m ov em ent  identific a ti on ,  hum an - m achine   co - operati on,   obj ect   m ov em ent  traci ng,   di gital   fo re ns ic s   et c.   I n  belo w  Figure  1  Firstl y,  the   vi de o  is  div id e d  into  fr am es.  Aft er  that  su btrac ti on   of   the  est i m at ed  back gr ound  i.e  the  pr e vious  fr am e  fr om   the  cur re nt   fr am e   is  done .  Lat er   on,  a  t hr es hold   is  ap plied  t o  ge t  a  cl ear  foregrou nd  m ask.   Ba sed  on  the   thr esh old   value   w e  will   get  a  cl ear  f or e g r ound  m ask.   I t  can  be  done  ei ther  m anu al ly   by  giv in g  a  t hr es hold  value   or   by  us i ng   va rio us  thres ho l d  al go r it h m s.             Figure  1. Me th odology   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       Fore groun d algo rit hm s  for  det ect ion   and  ex tracti on o f  an  ob je ct …   ( Rekh a  V . )   1851   The  f our  pri m ary  ste ps   in   Ba ckgrou nd  Subtract io n  ar e  Pr e - proces sing,  bac kgr ound  m od el ing,   foregr ound  de te ct ion   an d  da ta   validat ion.   In   t he  fir st  ste p,   a  giv e n  vi deo   is  bro ke n  dow n  into   f r a m es.   The n  the   in put  fr am e  is  conver te d  int o  num py  arr ay   for   f ur the r  proce ssing.  T he n  f r om   this  nu m py  arr a y     the  backg rou nd  m od el   is  fo rm ed.   If   it ’s  a  vid e o  then  tw o  con sec utive  f r a m es   are  ta ken   and   de duct ed  to  get    the  sta ti c  pix el s.  These  sta ti c  pix el s  co ns ti tut e  the  backgro und  a nd   th us   ba ckgr ound  m od el   is  fo rm ed.   Fu rt her   al l  the  pix el s  in  a  f ram e  are  com par ed  with   the  bac kgr ound   m od el   th us  form ed  wh ic h  helps  i n  ide ntifyi ng     the  sign i ficant  forefro nt  pi xels  eff ect ively .  L ast ly   the  un wa nted  pix el s  w hi ch  neither  c on sti tutes  the  fo r efront   nor  t he back groun d  a re r em ov ed  to get a  pr op e r fore groun d  m ask  as s ho wn in t he  la st s te p  of  F ig ur e  2 .           Figure  2 .   Bl oc k Diag ram  o f B ackgrou nd S ub t rac ti on Proc ess .       2.2 .       Te ch niq ues use d for B SOM   In  this  pa per ,   va rio us   te c hniq ues  a re  use d  for  BS O M  for  f or e groun d  obj ect   detect ion  a nd   extracti on   [ 18 - 2 1 ] .  Fo ll ow i ng secti on   of   th e  pap e r discu sse s   te ch niques a nd it s im ple m en ta ti on :     2.2.1 .   Hist og r am of  g r ad ie n ts  ( HO G)   In  F i gure  3   th e  HOG  al gorithm   is  sh own  wh ic h  us es  S VMDetect or  f or   detect ing   th e  fo re gro un d  obj ect   in  an  im age  or   a  vi deo   even   wh e n  the y  are  of   diff e re nt  scal es.  Af te r   th e  hu m an  fo r egro und  is  detect ed,   a rectan gle is  f or m ed  ar ound i t and dis p la ye d as  ou t pu t.           Figure  3 .   H OG algori thm .       2.2.2 .   Haar - ca scad e  a l go ri t h m   In  F ig ur e  4   H aar   casca de  is   al gorithm   is  sh ow n  ste p - wise.  S uppose  fa ce  detect ion  is  ta ken   i nt o  consi der at io n,  then  t he  in put  dataset   will   hav e   im ages  of  face s  in  al l  it s  diff e ren t  vi ews.   The n  t he   haa r  featur e s  a re  id entifi ed  i n  t hose  im ages  and  an  i nteg ral  i m age  is  f or m ed   as   sho wn  in   F ig ur e   5 .  T he n  the se   integral  im ages  are   ta ke n  a nd  giv e n  t o  vari ou s   cl assifi ers   us i ng  the   ada pti ve  boos ti ng   te ch nique.  Finall y ,   the m achine is  trai ned to i den t ify  f aces i n  a c ertai n  im age o r  v ide o.   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.  10 , No .  2 ,  A pr i l 202 0  :   1849   -   1858   1852       Figure  4 .   Haa r - casca de  al gorithm   [ 2 2 ]           Figure  5 .   I nteg ral Im age [ 2 2 ]       2.2.3 .   Gra b - c u t alg orithm   In   Fig ur e   6  G r ab  c ut  al gorith m   is  sh ow n  w her e   firstly   a  m ask  in  a ppli ed  to   the  i nputted  im age  for   getti ng   the  f oreg rou nd   a nd   backg rou nd   obj ect s .  Her e  i f  the  m ask  value  is  2  then   it  is  con side red   as   backg rou nd   a nd  if  the  m ask  value  is  1  th en  it   is  con si der e d  as  f or e gro und.  Finall y,  this  m ask  va lue  is  m ul ti plied w it h t he fram e to get  a for e gro und m ask.           Figure  6 .   G rab - cut al gorithm  [ 2 3 ]       2.2.4 .   C on t ou r  a lg orit hm   In   Fig ure  7  the   al go rithm   of   con t o urs  is  giv e n  w her e  resizi ng   of   im age  is  done  an d  the n  a  pyr  m ean  sh ift  filt er  is  a pp li ed  t o  it .  T hen   t he  im age  is  conver te d  to  gray scal e  and   s om e  thres ho l d  val ue  is  giv e n.     An   i nbuilt   functi on   of  fi ndCo ntour s  is  us e d  to  ide ntify  the  co nt ours  in  t he  i m age  a nd   by   us in g   the dra wConto ur s  func ti on th e iden ti fie d  c onto ur is dra wn  and d is play ed  i n  the  outp ut.           Figure  7 .   Co nto ur al gorithm  [ 2 4 ]     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       Fore groun d algo rit hm s  for  det ect ion   and  ex tracti on o f  an  ob je ct …   ( Rekh a  V . )   1853   2.2.5 .   Waters hed  algorithm   In  F i gure  8 ,  w at ersh e d  al gori thm   is  giv en .  The  in putt ed  im age  is  co nve rted  int o  gray s cal e  and   the n   a  su it able  thr esh old   val ue  is  app li ed  to   it .  A  su it abl e  kernel  siz e  is  ta ken   an d  the  m or phol og ic a l   trans form ations  are  app li e d  to  it .  The  su r e  backgro und  and   foregr ound  are  obta ine d  and   the n  the y  are  su bt racted  t o  ge t   the  un know n  re gion  w hich  is  t he   bo unda ry  of  the  f or e fron t  obj ect   i n  the  in putt ed  i m age.   Fr om   the  a bove   t he  Haa r - cas cade  is  us e d  t o  detect   the   f or egro und  obj ect   an d  t he  Gr a b - cut  is  us e d  to   extract   the fore gro und t hus  detect ed.           Figure  8 .   W at e rsh e d  al gorith m       2.3 .     A na l ys is  of vari ous  algorithm s for  B SOM   In   this  sect i on  of   the  pa per   giv es  detai le d  descr i ption   of  com par ison   of   var i ou s  al gori thm s.  These   al gorithm s ar e i m ple m ented  f or the BS OM.       Com par ison  of  Histogram   of  G rad ie nts  (HOG)  a nd  Haar - casca de  for  detect ion  of  foregr ound:     HOG  m et ho d  is  us ed  to   detect   the  fu ll   body  of  a  hu m an  unli ke  Haa r - ca scade  al gorith m .    Haar - casca de  al gorithm   has  var i ou s   xm l  fi le s  f or   dif fer e nt  par ts  of  the   body   li ke  hal f  body,  face,   f ull   body, s m il e etc.   [ 2 2 ].     Com par ison   of  Gr a b - c ut  an d  Va b - c ut:  Grab  Cu t  and   V ab  cut  both  are  us e d  in  the  fiel d  of   i m age   segm entat ion .  Both  the  al gor it h m   helps  in  extracti ng  the  foregr ound  obje ct .  The  dr a w ba ck  of  the  gr a b - cut alg or it hm  is that i t i s not  optim iz ed.  V a b C ut is an exte nsi on of  Gr a b  C ut   [ 2 3 ] .     Com par ison   of  Co ntou rs  a nd  W at e rsh e d:   Con to urs  an d  water sh e d  are  us e d  f or  the  detect io n  of    the  outl ine  of  the  fore ground  ob j ect   f r om   an  i m age  or  a  vid e o.   C on t ours  us es   the  functi on  “ f in d  Con t ours”  to  identify   the  co ntours  in  the  gi ven   im age  or   vid e o.   I n  wate rsh e d  al gorith m ,   m or phologi cal   trans form s ar e d one  on the  im age  first a nd th en  s ur e  for e gro und  a nd  backg rou nd is ide ntif ie d   [ 2 4 ,  2 5 ] .       3.   RESU LT S   A ND  DI SCUS S ION S   In   t his  w ork  O pen C V  to ol  w as  us e d  w hich   is  an  ope n  s ource  li brary  th at   approves  use   of   var i ous   com pu te r  la ng uag e s   an d  is  app li cable  on   s e ver al   platf orm s .  From   the  above  F ig ur e s   9 - 1 1   it   can  be  c oncl ud e d  that  Haar - casc ade  is  bette r  de te ct ion   al gori thm   as  the  input  i m age  or   vid eo  doesn ’t  al ways  ha ve  to  be  f ull  body.   From   F igure s   1 2 ,   1 3   i t  can  be   co ncl ud e d  that  Gr a b - c ut  is n’ t  e ff i ci ent  in  e xtrac ti ng   t he  foregr ound   obj ect .   Fig ur e   1 4   cl early   sho ws  how  m anu a l  m asking  the  i nput  im age  helps  in   the  e ffec ti ve  ext racti on  us in g   Gr a b - c ut  [ 2 2 ] .  Figures  1 5   a nd  1 6   s how  how  co ntour s  are   dr a wn   i n  an  i m age  and   vid e o.   Fi gure s   17   and  18   sh ows  ho w wa te rsh e d   is  dif fe ren t  from  co nt ours.             Figure  9 .   Non - Ma xim u  su ppr ession i n H OG   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.  10 , No .  2 ,  A pr i l 202 0  :   1849   -   1858   1854           Figure  10 .   Haa r - casca de of  21 60p   Figure  1 1 .   Haa r - casca de of  14 4p               Figure  1 2 .   Gr a b - c ut in  a  vid e o  in  48 0p       Figure  13 .   Garb - c ut in  a  vid e o  in  72 0p           Figure  1 4 .   Gr a b - c ut  us in g  m a nu al  m askin g o n  a n   i m age   [ 23 ]   Figure  1 5 .   C ontour in  a  vid e o             Figure  1 6 .   C ontour in  an i m ag e     Figure  1 7 .   Wat ersh e d  i n  a n  im age   [ 2 4 ]       In  F ig ur es  1 8   a nd   19   a  diff e re nce  in  t he  ou t put  is  seen  w he n  a  certai n  vi de o  of  a  s pa n  of  30  seco nds  is  dow nlo a ded  in  dif fer e nt  r esolutio ns ,  t o  check   t he  ef fe ct iveness  of   t he  outp ut.   Ta bu la r  val ues  of  haa r - casca de  with  grab - cut  f or   a  vi deo   do wn l oaded  at   diff ere nt   reso luti ons   ar e  sh own  in  Ta ble  1  an d  gr a phic al   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       Fore groun d algo rit hm s  for  det ect ion   and  ex tracti on o f  an  ob je ct …   ( Rekh a  V . )   1855   represe ntati on   are  sho wn   in F igure  20.   A  vi de o  of  30  sec onds   with  a  ce rtai n  res olu ti on  is t aken ,  a nd  a  ta ble  of  com par ison   of  it s  execu ti on   tim e  of   each  of   the  al gorith m   (u sed  in  t he   cod e )  is  sho wn   i n  T able  2   with   diff e re nt  res ol ution  va lues  ( change d  by  th e  co de)   an d  grap hical   re pr e s entat ion  of  T able  2  is  s ho wn  i n   Figure 21.  A  vi deo  of 30  sec onds  wit h  a  ce rt ai n  res olu ti on  is  ta ke n,   a nd  a  t able  of  c om pari so n  of  it s  e xec utio n  tim e  of   each  of   th e  al gorith m   (u sed  i n  th e  cod e )  is  sho wn   with  diff e r en t  res olu ti on  values  (ch a ng ed  by   the  cod e )   in   T able   3   an d  Fig ur e  22   s hows  t h e  grap hical   re pr ese natat io n  of   T a ble  3.   A f te r  the  su r vey  of   al l  these  res ults  it  was  fou nd   tha t  Haar - casca de   with  Gr a b - c ut   gav e  a  bette r  resu lt   than  a ny  oth er  c om bin at ion .   The res ults can  b e cle a rly  see n  in  Fig ure  23  wh e re a  r es olu t ion   of  144p is t aken into  consi der at io n.           Figure  1 8 .   Haa r - casca de wit h Gr a b - c ut  on a  vid e o dow nlo a ded w it h   a  720p  reso l ution           Figure  19 .   Haa r - casca de wit h Gr a b - c ut  on a  vid e o  dow nlo a ded w it h a  1080p res olu ti on       Table  1 .   T ab ul ar  values o f  ha ar - casca de wit h gr a b - c ut  for a  v ide o d ownl oad e d  at   dif fere nt r es olu ti on s   Res o lu tio n  ( In Pix els)   Haar - C ascad e Alg o rith m  w ith   Grab - Cu t  Alg o rith m  ( In  Seco n d s)   1 0 8 0 p   7 9 .05   720p   6 0 .91   360p   3 1 .34   144p   3 7 8 .13           Figure  20. Gra ph ic al   represe nt at ion  of t he  Ta ble 1 in  Fig ur e   19       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.  10 , No .  2 ,  A pr i l 202 0  :   1849   -   1858   1856   Table  2.  T ab ul ar  values o f ha ar - casca de wit h gr a b - c ut  for a  v ide o   of cert ai n  res olu ti on   Res o lu tio n  ( In Pix els)   Haar - C ascad e Alg o rith m   (I n  Secon d s)   Grab - Cu t Algo rith m   (I n  Secon d s)   Haar - C ascad e Alg o rith m  w ith   Grab - Cu t Algo rith m  ( In  Seco n d s)   2 1 6 0 p   5 9 .05   7 1 .40   1 2 7 .47   1 0 8 0 p   5 8 .13   7 0 .16   1 2 5 .19   720p   5 9 .57   6 7 .54   1 4 2 .20   480p   5 9 .16   6 7 .75   1 4 4 .76   360p   5 8 .92   6 6 .54   1 2 4 .87   240p   5 8 .02   6 5 .42   1 2 9 .29   144p   5 9 .05   6 6 .58   1 2 9 .51           Figure  2 1 .   Gr a ph ic al   represe nt at ion  of t he  T a ble 2       Table  3 .   T ab ul ar  values o f ha ar - casca de wit h gr a b - c ut  for a  v ide o o f  cert ai n  res olu ti on   Res o lu tio n  ( In Pix els)   Haar - C ascad e Alg o rith m     (I n  Secon d s)   Grab - Cu t Algo rith m   (I n  Secon d s)   Haar - C ascad e Alg o r ith m   w ith   Grab - Cu t Algo rith m  ( In  Seco n d s)   2 1 6 0 p   5 9 .05   7 1 .40   1 2 7 .47   1 0 8 0 p   5 8 .13   7 0 .16   1 2 5 .19   720p   5 9 .57   6 7 .54   1 4 2 .20   480p   5 9 .16   6 7 .75   1 4 4 .76   360p   5 8 .92   6 6 .54   1 2 4 .87   240p   5 8 .02   6 5 .42   1 2 9 .29   144p   5 9 .05   6 6 .58   1 2 9 .51           Figure  2 2 .   Gr a ph ic al   represe nt at ion  of t he  T a ble 3       ’     Figure  23. Fi na l ou t pu t   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       Fore groun d algo rit hm s  for  det ect ion   and  ex tracti on o f  an  ob je ct …   ( Rekh a  V . )   1857   4.   CONCL US I O N     In   this  pa pe r,  var io us   f or e gro und  detect ion   an d  extracti on   al go rithm s   are  com par ed .  The  m ai n  obj ect ive o f  ou r  pro j ect   is  to  i den ti fy v ario us  inbuil t  m et ho ds  for  ge tt ing   a b est   f or e gro und  m ask.   O ut  of  these   al gorithm s  we  fou nd   t hat  the  com bin at ion   of  Gr a b  c ut  an d  Haar   casc ade  i s  best  f or  extra ct ing   the  fore gro und  obj ect .  As  cl early   seen  in  F ig ur e  2 3   the re  is  a  li ve  vid eo  ta ken   from   the  c a m era  it sel f  at   a  reso luti on   of  144p   and   gr a b - cut  is  app li ed  t o  it .  The  only   dr a wb ac k  of  this  m et ho d  is  that   the  li gh t  com i ng   from   the  window    (as  sho wn   is  the  f ig ure)  ca nnot  be  c ut  out  us in g  grab - cu t.  Fo r  furthe r  work   we  can  fo c us   on  op ti m iz ing    the gra b  c ut algorit hm  f or ext racti on of  fore gro und o bj ect   even w he n  a li gh t  source  is  ne ar it.         REFERE NCE S     [1]   Shahriz a t   Shaik   Moham ed,   N.  M.  “ Bac kgroun d  Modell ing   an d  Bac kground   Subtraction  P erf o rm anc e  for   Obje c t   Dete c ti on , ”   2010  6th  Inte rnatio nal  Coll oquium  on  Signal   Proces sing  &   it s  App li cations,  Malla ca   Cit y ,   pp .   1 - 6.   2010.   [2]   Sen - Ching  S.  C heung  and  Chandri ka  Kam at h,   “ Rob ust  Te chni q ues  for  Bac kgrou nd  Subtrac ti on  in  Urban  Tra ffi c   Video, ”   EUR ASI P  Journal   on  Ap pli ed   Signal P ro ce ss ing ,   vo l. 200 5,   pp .   2330 - 234 0,   Jan .   2005 .   [3]   F.  El  Baf ,   T.  Bouwm ans,   and  B.   Vac hon .   “ Co m par ison  of  ba ckgr ound  subtr a ct ion   m et hods  f or  a  m ultim edia   appl i ca t ion,”   Int ernati onal  Conf ere nce   on  syste ms ,   Signal s  and  Image  Proce ss ing,   IWSSIP   2007 ,   page s  385 – 388,   June  2007.   [4]   Donovan    H.    Parks  and    Sidne y     S.    Fels,  “ Eva lua t ion    of      Bac kground  Subtrac ti on  Alg orit hm   with  Post - Proce ss ing, ”  in  IEE E     F if th     In te rnational     Co nfe renc e    on     A dvanc ed     V ide o     &   Signal   Based    Surv ei l lance ,   p. 192 - 199 ,   2008 .   [5]   Mass imo   Picc ar di, ”  Ba ckgr ound   Subtrac ti on  Tec hnique s:  A  Revi ew, ”  IEEE  Inte r nati onal  Journal   on  Syste ms ,   Ma n   and  Cybe rne ti cs ,   Vol.   2,   (5), pp.  05 - 25,   2004 .     [6]   Gourav  Ta khar ,   Chandra   Praka sh,  Nam it a  Mitt a l,   Ra je sh  Kum ar,   ”Compara ti v e  Anal y s is  of  Bac kground   Subtrac ti on    Tec hnique s  and  Applicati ons, ”  IEEE  Inte rnational   Co nfe renc e  on  Rec ent   Ad vanc es   an d  Innov ati ons  in   Engi ne ering  ( ICRA IE - 2016) ,   pp .   1 - 8,   2016 .   [7]   S.    Ho re,     et   al.,     “ An    int egr a te d  int er ac t ive     tech nique     for  image     segm ent ation    using  stac k    b ase d    see d ed  reg io n    growing  and    thre sholding,”    Inte rnational   Jour nal  of    El ectric al  and    Comput er  Engi nee ring ,     vol/ issue:  6(6),    pp.   2773 – 2780 ,   2016.   [8]   Chum ing  Li n,   B.   Y,  “ Foregroun d  Dete ct ion  in  Surveil l ance  Vide o  with  Full y   Convolut ional  Sem ant i c  Network, ”   2018  25th  I EEE  Inte rnational   Co nfe renc e  on   Image  P roc essing  ( ICIP) ,   Athens,  pp .   4118 - 4122 ,   20 18.   [9]   Neha   S.  Sakpal,   M.  S,  “ Adapti ve  B ac kground  S ubtra c ti on  in  Im age s” ,  I EE E  Tr a nsacti ons  on  Mult imedi a ,   18(10),   pp.   2093   –   2103 ,   2018.   [10]   Rahul   Dutt   Shar m a,   S.  L.  “ Optimize d  D y namic   Bac kground  Sub tra c ti on  Techni q ue  for  Moving   Objec t   Detect io n   and  Tracki ng, ”   2017  2nd  Inte rnational   Conf ere nce   on  Tel ec o mm unic ati on  an d  Net works  ( TE L - NET) ,   Noida,   pp.   1 - 3.   2017 .   [11]   Yanxin  Sun,  G . Y.,   “ The  Foregr ound  Segm ent ation  Based   on  Su rf  Algorit hm   an d  B ac kground   Subtraction,”  201 5  Sev en th  Int ernat ional   Conf ere nc e  on  Adv anc ed  Comm u nic ati on  and  Net working   ( ACN ) ,   Kota  Ki naba lu ,   pp .   24 - 2 7.   2015.   [12]   Carste n  Roth er  and  Vlad imir  Kolm ogorov  and  Andrew  Bla ke ,   “ "G rab Cut":  Int era c ti ve   Fore gro und  Ext r ac t ion   Us ing  Ite rat ed  Graph  Cuts,”   ACM   Tra nsac ti on s  on  Graphi cs  (TOG)  TOG,  Vo lume  23  Iss ue  3 ,   Pages  309 - 314 ,  Augus t  2004 .   [13]   Ravi ndra   S.   He gadi ,     Basava r a j    A    Goudann ava r,  "Inte r ac t iv e    Segm ent a ti o n    of    Medical     Im age s    Us ing   GrabCut",   I JM I ,     Volum e:   3 ,   Iss ue:   3 ,   Pag e s:   168 - 171,   2011 .     [14]   Y.  W ang,   et   al. ,   “ Com pre ss ive   bac kground  m o del ing  for  fore g round   ext r ac t ion , ”  Journal    o f    El e ct rica l    and   Computer  Engi n ee ring ,   vol .   201 5,   pp .   1 – 8 ,   2015 .   [15]   Bouwm ans,   “ Re ce nt  Advan ce d  Stat isti ca l  B ac kg round  Modeli ng   for  Foreground  Dete c ti on:  A  S ystemati c  Surve y .   Rec en t  Pat ent s o n  Com pute r  Sci e nce , ”   RP CS  2 01 1 ,  4(3):147 – 176 ,   Septe m ber   2011 .   [16]   T.   Bouwm ans,   “ Tra dit ional  and  rec en t  ap proa che s  in  b ac kground  m odel ing  for  for e ground  det ectio n:   An ove rvie w , ”   Computer  Scienc e   Revie w ,   11(3 1 - 6 6),   Ma y   2014.   [17]   Yubing  Li ,   J.  Z .   “ Grab  Cut  Im a ge  Segm ent at ion   Based  on  Im age   Regi on, ”   Inte r nati on al,   Con fe r enc e  on  Image ,   Vi sion  and   Computing  ( ICIVC) ,   June  2018.   [18]   M.  Mous sa,   et   a l. ,   “ Com par at iv e   stud y   of  statisti ca l  ba ckgr ound  m odel ing  and  subtr action,”  Indo nesian  Journal  of  El e ct rica l  Eng in ee ring a nd   Computer  Sc ie nc e ,   v ol/ issue:  8 (2), pp .   287 – 295 ,   2017 .   [19]   Boren  L i  and   Mao  Pan,   “ An  I m prove d  Segm ent at ion   of  High   Spatial  R esolu t ion  Remote   Sen sing  Im age   usin g  Marke r - base d  W at ershe d  Algor ithm ,”  2012  20th  Inte rnational   Co nfe renc e  on  Geo inf orm ati cs ,   I EEE,   Hong  Kong ,  pp.   1 - 5.   pp .   98 - 1 04,   2012 .   [20]   Vac ava n t,   A.;   Chat ea u ,   T . ;   W il hel m ,   A.;   Le qu ie vr e,  L. ,   “ A  Benc hm ark   Datas et   fo r  Outdoor   Foreground/Ba c kground  Ext r ac t i on ,”   In   Proc ee d i ngs  of  th e  11th   Asian  Conf ere nc e  on  Comput er  Vi sion ,   Dae je on,   Korea ,   pp.   291 – 300 ,  5 – 9   Novem ber   2012 .   [21]   Bashir,   F.;  Pori kli ,   F. ,   “ Perform anc e  Evaluati on  of  Objec t  Detect ion  and  Tracki ng  S y s t ems ,”   In  Proce edi ngs   of   the   9 th   IEE E  Int ernati onal  Work shop  on  Pe rfor mance   Ev alua ti o n  of  Tr ack ing  Su rve il la n ce ,   New  York,  NY ,   USA ,   18  June  2006 .   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.  10 , No .  2 ,  A pr i l 202 0  :   1849   -   1858   1858   [22]   Open  CV   Open  Source   Com puter  Vision.   (n . d. ) .   Ret ri eve d  from   I nte ra ct iv e  Foreg round  Ext r ac t ion   using  Grab  Cut   Algorit hm :  ht tps:/ /doc s . openc v . o rg/3. 1. 0 /d8/ d83/ t utori al _p y _g rab cut . h tml .   [23]   Open  CV  Open  Source   Com pute r  Vision .   ( n. d. ) .   Ret rie v ed   from   C ontours:   htt ps:// do cs. open cv. org/3 . 3. 1 /d4/d73/tut ori al _p y _ cont ours_begin . html .   [24]   OpenCV  Open  Source   Com pute r  Vision.   (n . d. ) .   Ret r ie ved  fro m   Im age   Segm e nta ti on  wi th  wat ershe d  al gor it h m :  htt ps:// do cs. open cv. org/3 . 1. 0 /d3/db4/tut ori al _p y _ wate rshed. h tml .   [25]   OpenCV  Open   Source   Com p ute r  Vision.   (n. d. ) .   Ret r i eve d   from   Face   Detect ion  Us ing  Haa r -   Casca d es:   htt ps:// do cs. open cv. org/3 . 3. 0 /d7/d8b/tut ori al _p y _ fac e_d etec t ion. h tml .   Evaluation Warning : The document was created with Spire.PDF for Python.