Int ern at i onal  Journ al of E le ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   8 , No .   6 ,  Decem ber   201 8 , p p.   4258 ~ 4264   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v8 i 6 . pp4258 - 42 64          4258       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Strate gy for Fo reground  Moveme nt Identi fication  Adaptiv e to  Bac k grou nd  Va riations       K.  An ur adha ,  N .  R.  Raajan   School  of El ec tr i ca l   and   Elec t roni cs  Engi n ee rin g,   SA STRA  Dee me d  Univer si t y ,   In dia       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   J a n   30 , 2 01 8   Re vised  Ju l   18 ,  201 8   Accepte d  Aug   9 , 2 01 8       Video  proc essing  has  gai n ed  a  l ot   of  significan c e  because  of  it s  appl i ca t ions  in  var ious  a rea s  of  rese ar ch.   This   inc lude s  m onitoring  m ovements  in  public   pla c es  for  survei ll an ce .   Video  se quenc es  from   va rious  standa rd  d at ase ts  such   as  I2R,   CAV IAR  and   UCS D   are   of te n  r eferred   for  vid eo   proc essing   appl i ca t ions  and   rese arc h .   Ide n tification  of  a ct or s  as  well   as  the   m ovemen ts   in  vide o  sequ en ce s  should  be  a cc om pli shed   wi th  the   st at i c   an d  d y nami c   bac kground.   Th e  signifi c ance  of  rese arc h  in   vide o  proc ess ing  li es  in  ide nti f y i ng  the  fore ground  move m ent   of  actors  and  obje cts   in  vide o   seque nce s.   Fore ground  ide n ti fi c at ion   ca n   be   do ne   with   a   static   or  d y namic   bac kground.   This   t y pe  of  ide nt ifica t ion  bec om es  complex  while   d et e ct ing  the  m ovements  in  vide o  sequ e nce s  with  a  d y nami c  ba ckg round.   For  ide nti f icati on   of   fore ground  m ovement  in  v ideo  seque nc es  wi th  d y namic   bac kground,   two   al go rit hm s  are   proposed   in  thi s  art ic l e.   Th e  al g orit hm s  are   te rm ed   as  Fram e  Diffe ren ce   bet wee n  Ne igh boring  Fram es  using  Hue,   Satura ti on  and   Value   (FD N F - HS V)   and  Fram e  Diffe ren ce   bet we en  Neighbor ing  Fra m es  using  Gre y s ca l e   (FD NF - G).    W it h  reg ard   to   F - m ea sure ,  re call  and   pr ec is ion,   the   propose d  al gorit hm s  are  eva luated   with  stat e - of - ar t   te chn ique s.  R esult s  of  ev al ua ti o n   show   tha t,   the  proposed  al gor i thms   have  show n  enha nc ed   per form ance.   Ke yw or d:   Ad a ptive t hr es ho l d   Ba ckgrou nd s ubtract io n   Fr am e d iffer e nc e   Moti on  detect ion   Track i ng   Copyright   ©   201 8   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 :   K.   A nuradha ,     School  of Elec tric al  an d El ect ronics E nginee rin g,     SA STR A Dee m ed  U niv e rsity ,    Tirum al ai sa m u dr am , Th a njav ur,  I ndia .   E m a il :  kan ukal ya n79@gm ai l. com       1.   INTROD U CTION     In   vid e o  proc essing,  f or e groun d  identific at ion   can  be   accom plished   with  a  sta ti c  or   dynam ic   backg rou nd.  T his  proce ss  is  diff ic ult,   w he n  identify in g  th e  m ov em ents  in  vi deo  seq ue nces  with  a  dynam i c   backg rou nd.  N um ero us   al go r it h m s  hav e  pe rfor m ed  the  f oreg rou nd   i den t ific at ion   in  vid eo  seq ue nces .  It  is  fou nd   that,  t he se  al gorithm s   hav e  done   th e  foregrou nd   i den ti ficat io n  with  le ss  i m po rta nce  to  cha ng e s  in   backg rou nd   a nd  il lu m inati on .   This  wor k  proposes  tw o  al gorithm s  FD NF - HSV  an d  F D NF - G.   T he  pr opos e d  al gorithm s  hav e  ide ntifie d  t he  foregr ound   m ov e m ents  with  si gn ific a nce  to   var ia ti ons  i n  il lum i na ti on   a nd   backg rou nd.    The  pr opos e d  al gorithm s  hav e  addresse d  th e  issue,  by  co m pu ti ng   the  ad aptive  th reshol d  of  th e   changes  am on g fr am es.  This  sect ion   pr e sent s the lit eratu re  of the  releva nt  work stu died .   A  r obus t  te ch ni qu e  f or   ta r get  trackin g  wa s  present ed   in  [ 1] .   This  te chn i que  m ines  the  ta rg et s  from   a   vid e o.   T he n,   t he  ta r gets  we r e  cat egorized  per ti ne nt  to  prop e rtie s  of  im a ges.   T his  m et ho d  has  trac ke d  obj ect s   with v a riat ion s  in  ap pear a nce.   A  bac kgr ound   m od el  f or s urveil la nce w it h t he  Pantil t - Zo om  ( PTZ)  ca m e ra  wa s   pro po se d   i n  [2] .  This  m od el   has  pr ese nte d  a  te xture  de scr iptor   f or   e nc oding   s patio - te m poral   data .  T his  m od el   was  li nked   wi th  a  set   of  te chn i qu e s  f or   t rack i ng   obj ect s.  I n  [ 3] ,  a  te xtu al   descr i ptor  re ferred  a s  Ce nter  sy m m e tric   sca le   inv ariant  lo cal   te rn ary  pa tt ern s  (CS - SIL TP )  wa s  co ntr ibu te d   for  bui lding   a  backg rou nd  m od el .  This  m od el   was   ap plied   for  ide ntif yi ng  f or e gro und  obj ect s  i n  eac h  of  the   capt ur e d  fr am es.  To  i den ti fy   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       Stra te gy  for  F ore groun d  M ov emen t  I den ti fi cation A daptive   to B ackg r ound  Va ri ations ( K.  Anur adha)   4259   the  obj ect s  in   m otion ,  a  no n - pa noram ic   a lgorit hm   relyi ng   on   s patio - t e m po ral   bac kg rou nd   was  pre sented     in   [ 4] .   T his  a lgorit hm   has  so lve d  t he  p r ob le m s  with  pano ram ic   m e thods  s uc h  as   slo w  init ia li zat ion,   backg rou nd  ad aptat ion  an d   e r ror  acc um ulatio n.   Re ly ing  on   Ba ye s  decisi on  fr am ewo r k,  a   te ch nique  to   e xcerpt   foregr ound  ob je ct s  from   a  vi deo   was  c on t ribu te d   in  [ 5] .  I n  this  w ork ,  a  backg rou nd   wi th  m ov ing   a nd  sta ti c  obj ect s  was  m od el e d .  T he n,   t he  obj ect s  in   the  f oreg rou nd  wer e  i den ti fie d   by  com bin in g  the  outc om e  of  sta ti c   po i nts a nd poi nts in  m ov em e nt.   By  ap plyi ng  a m ixtur e m od el , th e w ork  pro pose d  in  [6]   ide ntifie s sh ad ow s in  m otion . This t echn iq ue  has  re du c ed  over hea d  by  det ect ing   sh a dow s  on ly   on  f or e gro und  pi xels.   By   sa m pling   values ,  the  co debo ok  backg rou nd   s ubtract io n  m et h od   pr e sente d  in  [ 7]   captu res  structu ral  bac kgr ound  m ov em ents  fo r  a  lo ng   ti m e.   This  al gorithm   has  trac ke d  m ov ing   obj ect s  with  var yi ng   backg rou nd   a nd   c ha nges  in  il lu m inati on .  T o  deal   with  c om plica t ed  dynam ic   back gr ound ,  a   m et hod  was  pro po s ed   in  [ 8] .  This   m et ho d  ha s  pro pose d  a   scal e - inv a riant   patte rn  operat or  an d  a  te c hn i que  for  est im ation   of  ke rn el   de ns i ty   in  patte r ns .   By   com bin ing   these,   the  m et ho d  ha s  ha nd le d  dynam ic   back gr ound.  An   al gorithm   fo r  det ect ing  ob j ect s  in  m ot ion   was  offer e d   i n  [9] .  T his  m et ho d  store s  the  values  of  pi xels  in  the  past.  The n,   it   relat es  the  prese nt  a nd   past  values   of   t he   pix e l.  Fi nally ,  the  m e tho d  i de ntifie s  the  pa rtic ular  bac kgr ound  to  wh ic h  the  pi xel  belo ngs.  By   com bini ng   the   colo r  in form at i on  an d  S ILT P,   a  blo c k - wise  backg rou nd   m od el   was  c ontr ibu te d   in  [10] .  This  m od el   ha s  dealt   with  m ultim o dal   an d  dyna m ic   back gr ound.  F or  ef fici ent  ide ntific at ion  of  obj e ct s   in  m otion ,  t he  c ol or   inf or m at ion  and SILT P  wer e  com bin ed .    An   ef fici ent  m et hod  base d  on  bac kgrou nd   su bt racti on   wa s  pr ese nted   in  [11] .  By   red uc ing   the  data  dim ens ion al it y  of   im age   fr am e  and   a pp ly in g  the  sp ars e  re presentat io n,   th e  m et ho d  ha s  extracte d  fore gro und  obj ect s.  A  ne w   integrate d  m e t hod  w as  pro po sed   in  [ 12] .  By   com bin ing   the   reg io n  grow i ng  with  th res ho l ding,   the  m e tho d  fin ds   the  reg i on   of  interest   (R OI)  in  an  im age.  An   al gorithm   t erm ed  as  DTGLM M - K  was  offe re d   in  [ 13] .  T he  a lgorit hm   has  f ocused   on  im age  se gm e ntati on  in  a n  en ha nced  m ann er.   This   al gorith m   was  appr opriat e  f or  var i ous  ty pes  of   data  a nd  ap plica ti on s.   The   m e tho d  de vel op e d  i n  [ 14]   presents  a   f ram ew or k  for  detect ion   a nd  rec ogniti on  of   hum an  act ion s.  The   m et ho d  se gm ents  the  obj e ct s  i n  m otion ,   exce r pts  a  set   of   featur e s  an d  c hoos es  t he  fea tures.   For  rec ogniti on   of  ac ti on s,  t he  ch ose n  feat ur es  w ere  cl assifi ed   with  a   m ul ti cl ass  SV M.  A  m et ho d  f or   i den ti fyi ng  m ov ing   ob j ect s  was  propose d   in  [ 15 ] .  T he  m et hod  assesse s  the  bi - directi onal   op t ic al   flow   betw een  fr am es.  Th en  it   is  i m pr oved  an d  norm al i zed.  Finall y,  th e  m et ho d  ide ntifie s  the  m ov in g  obj ect s  by  ve rify ing   t he  t hr es ho ld  of  t he  op ti c al   flo w  of  eac h  blo c k  a nd  th e  opti cal   flo w  of  the   obj ect  und e r  c on si der at io n.  An  al gorithm   te rm ed  as  ‘ Goo d  Feat ur es   to   T rack’ w as p r es ented  i n  [16] .   First,  the   al gorithm   extr act s  fea ture   from   the  fr am es .  Then,  the  fea tures  of  m ov ing   obj ect s  we re   excerp te d   fro m   the  su bse que nt  fr a m e.  Ba sed  on   the  m otion   inform ation   an d  locat ion ,  the  ob je ct s  in  m otion   for  each  f ram e   wer e   identifie d . T his  work  has  al s o form ed  cl us te r s of  obj ect s i n  m ot ion .   Dep e ndin g  on   the  fixe d  s pati al   associat ion  a m on g  the  c urren t  a nd  ra ndom ly   cho sen  pi xels,  a  novel   fr am ewo r k  wa s  pr e sente d   in  [ 17 ] .  T he  m et ho d  f or m s  a  sam ple  set   of   sp a ti al   info rm at ion   f or   e ach  pix e l.  The n,   the  S patia l  Sam ple  Diff ere nc e  Consens us  ( SSD C )  was  c om pu te d   f or   i de ntific at ion   of  f or e gro und  obj e ct s.  A n  appr oach   for  detect ion   of   m ot ion   an d  se gm entat ion   w as  dev el oped   in  [18] .  T he  appr oach   c ontrols  the   un ce rtai nties  i n  the   m ov em e nt  of  t he  cam e ra   a nd  com pu t at ion al   dis pa riti es.  By   com bin in g  the   col or,   m otion   pro bab il it y  and   de pth   c ues ,  the  ap proac h  ha s  segm ented  the  m ov ing   obje ct s.    W it h  im portance  t o  sta ti sti cal   le arn in g,   a n  effi ci ent  m et ho d  f or   im age  segm entat ion   w as  pr esented   in   [19] .  The  m et ho d  app li es  the  Ra yl ei gh  distrib ution  to   com pu te   the  pro ba bili ty   den s it y  of   bac kground  pi xel.  T hi s  m et ho d  was   app li ed   to   im a ges  of  var i ou s  c olors.   An   al gorithm   base d  on  the  s cal e  inv aria nt  featur e  t ran s f orm   (S IF T)  was   con t rib uted   in  [20] .   The  m et ho d  w as  ap plied   f or   i den ti fyi ng  gra d ual  t ransi ti ons  an d  s udde n  va riat ion s   with out  a  nee d  f or  tr ai ning   of   t he  vi deo.  A  m et ho d  f or  detect ion   of  m ov i ng   obje ct s  in  GPU  was  pro posed   in   [21] .  This  m et ho d  ha s  enh a nce d  the  qu al it y  of   outc om e  in  scenario s  w he re  the  ba ckgr ound  an d  the  obj ect s  i n  m ot ion   ap pea r   to  be   sam e. Th is m e t hod has  au t oma ti cal ly  ch os en  the  reg i on s  of  interest  ( R OI).       2.   RESEA R CH M ET HO D     Tw o  al gorithm s  FD N F - HSV  and   F D NF - G  are  pro po se d  f or   f or e gro und  m ov e m ent  ide ntific at ion.   The  F D NF - H SV   al gorithm   identifie s  t he   fore groun d  m ov e m ent  us ing  H SV   col or  m od el .  Sect ion  2.1 . 1  pr ese nts  the  al gorithm   fo r  F DNF - HSV.  Se ct ion   2.2 .1   pr e sents  t he  al gor it h m   fo r  F DNF - G.   T he  al go rithm s  com m on   fo r  FDNF - HSV  a nd   F D NF - G  ( i.e. )  cal culat io n  of  thres hold  an d  drawi ng  boun ding  box  a re  pr ese nted  in se ct ion s  2.1.2 a nd  2.1.3  resp ect i vely .     2.1.   Motio n d e tect ion u sin g HS V  ch annel   The  propose d  m et ho d  ref e r red   as  FDNF - HS V   (Fram e  Diff e re nce  bet ween   Neig hbori ng  Fr am es  us in g  H SV)  f ocuses  on  the  foregr ound  det ect ion .  T he  pr opos e d  al gorit hm   wo rks  as  f ollows:   Using   HS V   (Hue,  Sat ur at i on,  Value )  col or   m od el ,  a  pix el - based   dif fe ren ce  am on g  t he  fr am es  are  com pu te d .  F or  each  fr am e  ta ken   i nto   acc ount,  t he  three  c om po ne nts  of   t he  fr am e  ( i.e. )  HSV  a r e  obta ined .  Ba sed  on  the   H S V,   t he   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.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4258   -   4264   4260   diff e re nce  am ong  t he  su cces sive  fr am es  ( i. e. )  del h ,  del s   a nd  de l v   are   c om pu te d.   S ubse qu e ntly ,  th ree  bin a ry  i m ages  are  obta ined   by  ap pl yi ng   the  pro po s ed  a da ptiv e  threshold  al gorithm   pr esented  in  2.1 .2.   Using   equ at io n  ( 1) ,  t he  res ultant  im age  is  ob ta in ed   by  cal culat ing   t he  m axi m um   value  from   each  pi xel  of   bin a ry  i m ages.        12 m a x( _ , _ , _ ) f re su lt th im th im th im   (1)     Af te r   filt erin g  the  sm al l  con necte d  r egi ons  in   the  res ult f ,   the  pro pose d  al gorith m   detect s  th e   foregr ound m ov em ent b y ap pl yi ng  the  boun ding  box  m et ho d.     2.1. 1. Algori thm  for  Motio n  Det ec tion usin g  H SV    Step   1   : I n fram e R G B toH S V b b // chan ges  the t ru e  co l or  im age RGB to  the  HSV  of   bac kgr ound im age   b   Step   2   : for  f = 2  t o NF - 1        //  N F  d e no te s  the  num ber   of   fr am es    Step i   :  I n fra m e R G B toH S V f f    (i.e .)     , | 1 , 1 I n I n i j i r o w j c o l f                                         //  cha ng e s the  tru e   colo r  im age RGB to   HSV c ol or cha nnel s                              Step ii   : Si m il arly 1 1 I n frame R G B toHSV f f      Step ii i   : Find t he  a bso lute dif fer e nce  betwee n   H  c ha nn el   1 f In   an d  f In     :          1 | ( : , : , 1 ) ( : , : , 1 ) | h f f d e l I n I n      Step iv   : Find t he  a bso lute dif fer e nce  betwee n   S  ch a nn el   1 f In   an d  f In     :     1 | ( : , : , 2 ) ( : , : , 2 ) | s f f d e l I n I n      Step  v   : Find t he  a bso lute dif fer e nce  betwee n   V  c ha nn el   1 f In   an d  f In     :     1 | ( : , : , 3 ) ( : , : , 3 ) | v f f d e l I n I n      Step  vi   :  Cal l   th_ i m   =   T hr es hold( 33 , d e l d e l )   Step  vi   :  Cal l   th_ i m1   =  T hr es hold( 11 , d e l d e l )   Step  vii   :  Cal l   th_ i m2   =  T hr es hold( 22 , d e l d e l )   Step  viii   :  Fin d  the  r es ul t by  fin ding  pi xel - wise   the m axim a l value                               12 m a x( _ , _ , _ ) f re su lt th im th im th im   Step  ix   : C onver t i m age  f r esu l t to B oo le a n  i m age b y a pp ly ing     : , 1 , : , 0 1 , 1 f f T re su lt i j b o o l i j F re su lt i j i ro w j c o l        Step  x   : Dr a w b ounding b ox to  d et ec t t he  f or e gro un d  m ov em ent.     2.1.2. Algori thm  for Thres h old c alcula tio n:  Thres ho ld  ( 12 , im im )   Step  1   :  Cal culat e thre shold   us in g  11 1 m a x m a x T im im row c ol row c ol row c ol    Step  2   : If   0    the n   bin a r y im age o btai ne d  is     , | 1 , 1 f t i m a g e p i x i j i r o w j c o l , whe re            1 1 1 0 , , : , , 1, i m i j i m i m i j p i x i j o t h e r w i s e      Step  3   : If   0   the n   bin a r y im age  ob ta i ne d  is     , | 1 , 1 t i m a g e p i x i j i r o w j c o l f , whe re          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       Stra te gy  for  F ore groun d  M ov emen t  I den ti fi cation A daptive   to B ackg r ound  Va ri ations ( K.  Anur adha)   4261     , , | 1 , 1 2 p ix i j im i j i ro w j c o l     2.1.3. Algori thm  for  Dra w in g  B ou ndin g  B ox   Step  1   : Find t he  c onne ct ed  re gions i n  the   gi ven Bo olean  im age.   Step   2   : Fil te rs  out sm al le r  co nn ect e d re gions   Step   3   : Id e ntify t he  four c orne rs for  each re gion,  i. e.   bl obs   Step   4   : M ark   blobs  foun d  in  the  fr a m e w it h  recta ngle s.      2.2.   M oti on D etectio n usi ng  Grey sc ale      The  pro po s e d  al gorithm   te r m ed  as  FDNF - G   ( F ram e  Diff er ence  betwee n  Neig hbori ng  F ram es  us in g  Gr ey   scal e )  c om bin es  the  bac kgr ound  subtra ct ion   wit h  the p ixel - base d  va riat ion  b et wee n  nei ghbori ng  f ram es.  The  al gorithm   sta rts b y  fin ding the  grey  scal e for  t he  f ram e s in  the  v i deo s equ e nce   unde r c onsiderati on . T hr ee   diff e re nt  i m ages  del 1  (a bs ol ut e  diff ere nce  be tween  the  c urren t  f ram e  and   it s  pr evio us   f r a m e),  del 2   ( abso lute   diff e re nce  bet ween   t he  cu rrent  fr am e  and   it s  nex t  fr am e)  and   del 3 ( absol ute  diff e re nce   betwee n  the  c urren t   fr am e  and   t he  backg rou nd  f ra m e)  are  ob ta in ed .   By   a pp ly in g  the   pro pose d  ada ptive  th res ho l d  al go rithm   2.1.2,   the  bin a ry  i m a ges  f or   del 1 ,  de l 2   and   del 3   ar e  ob ta ine d .  A f te r  filt ering   th e  no ise ,  the  al gorithm   identifie s  t he   foregr ound m otion .   Algo rith m  f or   m otion  det ect ion   us in g  gr ey scal e :   Step   1   :   I n fram e R G B toG re y b b    //   changes  the  tru e  col or  i m age  RGB  to   the  gr ay scal e  intensit y  of  backg rou nd im age  b   Step   2   :    Fin d bina ry im age for   b In   as  b b i n   Step  2   :     f or   f = 2 t o NF - 1        //  N F  d e no te s  the  num ber   of   fr am es    Step i   :  I n frame RG BtoG re y f f    (i.e.)     , | 1 , 1 I n I n i j i r o w j c o l f //   chan ge s  the  tr ue   colo r   im age RGB to  the  gr ay scal e intensit y  of fram es.   Step ii   : Si m il arly 1 1 I n frame R G B toGre y f f  ,  1 1 I n fram e R G B toG re y f f      Step ii i   : Find t he  a bso lute dif fer e nce  of  1 f In   and  f In   :  || 1 1 de l In In ff      Step iv   : Find t he  a bso lute dif fer e nce  of  1 f In   and  f In :   || 2 1 d e l I n I n ff      Step  v   : Find t he  a bso lute dif fer e nce  of  b In   and f In :    || 3 d e l I n I n bf      Step  vi   : C al l   th_ im   =   Thres ho l d( 3 , b d e l b i n )   Step  vii   : C al l   th_ im 1   =  T hr es hold( 1 ,_ d e l t h i m )   Step  viii   :  Cal l   th_ i m2   =  T hr es hold( 2 ,_ d e l t h i m )   Step  ix   :  Fin d  the  r es ul t by findin g pi xel - wise lo gica l or o per at io n                                                  12 _ | _ | _ f re su lt th im th im th im   Step  x   : C onver t i m age  f r esu l t to B oo le a n  i m age b y a pp ly ing                       : , 1 , : , 0 1 , 1 f f T re su lt i j b o o l i j F re su lt i j i ro w j c o l        Step  xi   : Dr a w b ounding b ox to  d et ec t act or       3.   RESU LT S   A ND D I SCUS S ION   The  pro posed   al gorithm s  FD N F - HSV  a nd  F D NF - G  ha ve  been  asses sed  with  t he  dataset s  viz .   UCSD,  I 2R  an d  CA VIAR.  T he  outc om e  of  the  assessm ents  is  sh own  in  Figure  1.  The  pro po se d  al gor it h m   was  asse ssed   with  var i ou s   m et rics  viz.  re cal l,   pr eci sio n,  F - m easur e  a nd   per ce ntage   of  w r ong  cl assi ficat ion  ( pwc ) . T he foll ow i ng p a ram eter s  wer e  consi der e d   for  c om pu ti ng these  m etr ic s.   a.   Tru e  posit ive  ( TP) - pi xels in  a  for e gro und o bject  cate gorize d  as  p i xels in  t he fo regr ound .   b.   Tru e  n e gative  (TN) - pix el s in  a  b ac kgr ound  obj ect  c at e goriz ed  as  p i xels in t he  bac kgr ound .   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.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4258   -   4264   4262   c.   False  posit ive  ( FP) - pi xels in  a  backg rou nd cate gorized  as  pixe ls i n  the  for e gro und .   d.   False  n e gative  (F N ) - pixe ls i n a f or e gro und  c at egorized a s  pi xels in  t he bac kgr ound .           Figure  1. Sam ple o ut pu t  f or  t he  U CS D  datase t, I 2R d at aset  a nd CA VIAR  da ta set       The  cal c ulati on   of  pwc ,  preci sion, recall   a nd   F - m easur e  (si m il arity  m easur e)  a re  giv e n   he re.        100% FN FP pw c T P FN FP T N    TP pre T P FP     TP re c a ll TP F N          2 r e c a ll p r e F m e a s u r e r e c a ll p r e      W it h  ref e re nc e  to   I2 R,  CA VIAR  an d  U CSD  dataset s,   the  pr op os ed   al go rithm s  FD N F - HSV  an d  FDNF - G  detect   act ivit ie s  with  com plex  di ff ere nces  in  t he  bac kgr ound.  T his   enc om passes  il lu m inati on  var ia ti ons  an d  acqu i rin g  dy na m ic   activiti es.  The  I 2R   da ta set   com pr ise s  vi deo   se quences   for  ide ntific at ion   of  foregr ound  obj ect s  with  int ricat e   bac kgr ound.   Pe rtinent   to   F - m easure   m e tric   for  the  I 2R   datas et ,  an  assessm ent   of   the  pro pose d  a ppr oach   (FDN F - H SV)   with  oth e r  te ch niqu es  is  pr e sente d   in  Ta ble  1.   R esults  exh i bit  that,   the  pro posed   a ppr oach  ha s  a ccom plished   m axi m u m   F - m easur e  t han  the  oth er   te ch niques .     Figure  2  pro vi des  a  gr a ph ic a l  rep re sentat io n  of  the  res ults  at ta ined  f or   dep ic ti ng  the  m et rics  viz.,  preci sio n,   recall , F - m easur e  f or   I2 R  d a t aset . F ig ur e  3   pr ese nts a  grap hical  r e pr ese nt at ion   of  t he ou t com e o btained   for  the   m et rics v iz ., pre ci sion ,  r ecal l,  F - m easur e f or  CAV IA R  datas et .        Table  1 .   Asses sm ent o f  F - m e asur e  w it h va ri ou s  tech niques  and the  pr opose d  m et ho d (F D NF - HSV )    for  the  I2R  d at aset         Bo o tstrap   Escalator   Fo u n tain s   Lob b y   W ate r  su rf ace   Fr m D if f [1]   3 5 .36   2 1 .72   2 5 .43   1 6 .33   2 4 .26   MoG [ 6 ]   5 6 .29   4 1 .17   7 6 .91   4 7 .92   7 9 .7   ACMM M03 [ 5 ]   6 0 .43   3 2 .6   5 6 .51   3 0 .31   6 3 .66   Co d e Bo o k   [ 7 ]   6 3 .66   4 9 .82   6 1 .36   2 5 .51   7 3 .09   SIL T P [ 8 ]   7 3 .32   6 5 .88   8 6 .23   7 8 .57   8 4 .36   ViBe [ 9 ]   7 8 .26   6 4 .72   6 0 .96   2 6 .55   8 6 .82   CS - SIL TP [ 3 ]   7 6 .35   7 0 .72   8 7 .46   8 0 .23   8 7 .38   BITC [ 1 0 ]   6 4 .86   6 3 .37   9 5 .24   7 6 .67   9 3 .02   DFB  – A [ 4 ]   7 1 .86   6 6 .37   7 7 .43   1 3 .24   9 3 .81   No n - Para m etric [ 2 1 ]   6 4 .10   -   7 0 .49   -   9 0 .11   Prop o sed  App roach                   (   FDN F - HS V)   8 6 .48   7 8 .04   8 6 .69   9 7 .43   9 8 .98   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       Stra te gy  for  F ore groun d  M ov emen t  I den ti fi cation A daptive   to B ackg r ound  Va ri ations ( K.  Anur adha)   4263       Figure  2 .   G raph  dep ic ti ng m et rics v iz ., p reci sion, recall , F - m easur e  for I2 R dataset           Figure  3. G raph  represe nting  m et rics v iz ., pre ci sion ,  r ecal l,  F - m easur e f or  CAV IA R  datas et       The  pro posed   m e tho d  ( FDNF - G )  ai m s  at   identify in g  f or e gro und  m ov em ent  in  vi de o  se quences   avail able  in  U CSD  bac kgr ound   s ubtract io n  dataset .  The  re su lt s  of  v al idati on   are p rese nt ed   in  Table   2. Re su lt s   il lustrate   that,   t he  pro posed  m et hod  has  at ta ined  a n  i m pr o ve d  F - m easur e  wh e n  com par e d  with  ot her   m et hods  ta ken  i nto   acco un t.       Table  2 .   C om par iso n of t he pr opos e d  te c hn i que  (F D NF - G)   with  var i ou s  m et hods   on  UCS D back gro und  su bt racti on dat aset   with  reg a r d  to   ave ra ge  F - m easur e   Seq u en ces   Fr m D if f   [ 1 ]   MoG   [ 6 ]   ACMM M03   [ 5 ]   Co d e   Bo o k   [ 7 ]   SIL T P   [ 8 ]   ViBe   [ 9 ]   CS -   SIL T P   [ 3 ]   Prop o sed  W o rk  (FDNF - G)   Bird s   1 9 .63   2 8 .35   2 8 .82   2 1 .21   3 0 .11   3 1 .92   2 9 .76   4 4 .44   Bo ttle   1 9 .31   5 1 .12   2 3 .44   2 3 .09   5 5 .23   5 7 .5   6 3 .41   100   Freewa y   2 6 .81   5 3 .06   3 1 .88   3 8 .48   5 1 .94   5 4 .62   5 5 .54   8 6 .41   Ocean   1 0 .07   2 8 .95   1 9 .03   22   5 7 .87   2 6 .33   6 0 .63   9 4 .11   Ped estrian s   2 4 .28   7 9 .63   2 8 .89   6 4 .3   8 1 .09   8 0 .1   8 5 .7   9 4 .73   Rain   4 1 .88   7 4 .81   8 1 .28   4 3 .28   8 5 .24   9 3 .7   8 9 .74   9 4 .34   Av g F - m e asu re   2 3 .66   5 2 .65   3 5 .56   3 5 .39   6 0 .25   5 7 .36   6 4 .13   8 5 .67       4.   CONCL US I O N   Re search   on  va rio us   m et ho ds  an d  al gorith m s  in  vid eo   pr ocessin g  is   co m m end able.  R el evan t  to   the   identific at ion   of  f or e gro und  in   vid e o  seq ue nc es,  lot   of  al gori thm s  are  avail a ble  in  the  li te ra ture.   M os t  of  these   al gorithm s  hav e  done   the   f or e gro und  i de ntific at ion   with  le ss  at te ntio n  to  va riat ions  in  il lum inatio n  an d  backg rou nd.  But,  the   pro pose d  al gorith m s  FD NF - HSV  a nd  F DN F - G  ha ve  id en ti fied  the  for egro un d  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.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4258   -   4264   4264   m ov e m ent  with  im po rtance  t o  c hanges  i n  il lum inati on   a nd  bac kgrou nd.  The  pro po se d  work  has   pe rfor m ed   foregr ound  m ov em ent  identif ic at ion   by  cal c ulati ng  the  a da ptive  t hr es hold   of  the   var ia ti ons  betwee n  f ra m es.   Re su lt s  of  the   pro posed   al gorithm s  are  be tt er  than   the   oth e r  sta nd a r d  al go rithm s  i n  te rm s  of   sim il arity  m et rics.       REFERE NCE S     [1]     A.  J.  Li pton,   e t   al. ,   “ Moving  ta rge t  c la ss ifi c ati on  and  tra cki ng   from   rea l - ti m e  vide o, ”  4th  IE EE   Workshop  on  Appl ic a ti ons o f Com pute r V ision ,  vol /i ss ue:   98 ( 2 ) ,   pp .   8 – 14 ,  1998 .   [2]   N.  Li u,   et   al . ,   “ Hier arc h ical  ens emble  of  bac kgr ound  m odel s  for  PTZ - base d  video  surveil la n ce,”   IEE E  transact io ns  on  cy b erne tics ,   v ol /i ss ue:   45 ( 1 ) ,   p p.   89 – 102 ,   2015 .   [3]   H.  W u,   et   al . ,   “ Rea l - ti m e  ba ckg round  subtrac t io n - base d  vide o  s urve il l ance  of  p eopl e  b y   int eg ra ti ng  lo ca l  te xtur e  pat t ern s,”   Signal,  Image   and  Vi d eo  Proc essing ,   v ol /i ss ue:   8 ( 4 ) ,   pp .   665 – 676 ,   2014 .   [4]   S.  W .   Kim ,   e t  al . ,   “ Det ec t ion  of  m oving  obje c ts  with  a  m oving  c amera   using  non - panor amic  b ac k ground  m odel, ”   Mac hine V ision   and  Applications ,   vol /i ss ue:   24 ( 5 ) ,   pp .   10 15 – 1028 ,   2013.   [5]   L.   L i,   et   a l. ,   “ Foreground  obj ec t  d etec t ion  fr om   vide os  con t ai ning  complex   bac kground , ”  Proce ed ings  of  the   el e ve nth   ACM   in te rnational   con f ere nce on  Mu lt i media ,   pp .   2 – 10 ,  2003 .   [6]     P.  Kae wtra kulpo ng  and  R.   Bowd en,   “ An  Im prove d  Adapti v e  Ba c kgroun d  Mixture   Model  for  Re a l -   ti m e  Tr ac king   with  Shadow De te c ti on, ”  Adv an c ed  V ide o   Based   Surve il lan ce Sy s te ms ,   pp .   1 – 5 ,   2 001.   [7]   K.  Kim ,   e t  al . ,   “ Rea l - ti m e  fo re ground -   bac kgr ound  segm ent ati on  using  cod eb ook  m odel , ”   R e al - Time  Imagin g ,  vol /i ss ue:   11 ( 3 ) ,   pp.   172 – 185 ,   20 05.   [8]     S.  Li ao ,   et   al . ,   “ Modeli ng  pixel  proc ess  with  sca le   inva r ia nt  loc a l  pat t ern s  for  ba ckgr ound  sub tracti on  in  compl e x   sce nes, ”   Comput er  Vi sion   and  Pa tt ern  Re cogn it io n  ( CVP R) ,   2010  IEE E   Confe ren c e  on ,   pp.   1301 – 1 306 ,  2010 .   [9]     O.  Barnich  and   M.  Van  Droo ge nbroe ck ,   “ Vi Be:   A  un ive rsa l  ba ckgr ound  s ubtra c ti on  al gor it hm   for  vid eo  seque nce s, ”  I EEE  Tr ansacti ons  on  Image Proce s sing ,   vol /i ss ue:   20 ( 6 ) ,   pp .   1709 – 1 724,   2011 .   [10]   H.  Han,   et   al . ,   “ Moving  obje ct  det ection  rev isi te d:  Speed  and  robustness,”   IE EE   Tr ansacti on s  on   Circui ts  and   Syste ms   for Vide o  Technol og y ,   v ol /i ss ue:   25 ( 6 ) ,   p p.   910 – 921 ,   201 5.   [11]   Y.  W ang,   et   al. ,   “ Com pre ss ive   bac kground  mode li ng  for  fore ground  ext ra ct i on, ”  Journal  of   El ec tri cal   an d   Computer  Engi n ee ring ,   vol .   201 5,   pp .   1 – 8 ,   2015 .   [12]     S.  Hore ,   et   al . ,   “ An  i nte gra te d   int eract iv e  t ec h nique   for  image   segm ent at ion  u sing  stac k  base d  see ded  reg io n   growing  and  thr esholdi ng, ”  Int e rnational   Journ al  of  E le c tric a l  and  Computer  Engi ne ering ,   vo l /i ss ue:   6 ( 6 ) ,   pp .   2773 – 2780,   201 6.   [13]   T.   J y o thi rm a y i ,   et   al. ,   “ Im age   segm ent atio n  bas ed  on  doubl y   tr unca t ed  gene r ali ze d  l apl a ce   m ixture  m odel   and  K   m ea ns  cl usteri ng , ”  Inte rnat ional   Journal  of  El ect rical   and  Comp ute r  Engi nee rin g ,   vol /i ss ue:   6 ( 5 ) ,   pp.   2188 – 2196,   2016.   [14]   M.  Sharif ,   e t  al . ,   “ A  fra m ework  of  hum an  d et e c ti on  and  a ct ion   rec ogni ti on  b ase d  on  uniform  se gm ent at ion   and   combinat ion  of  Euc li d ea n  d istance   and  joi nt  e ntrop y - b ase d  fe at ure s  sel ec t ion,”  Eurasip  Journal  on  Image  and   Vi deo   Proce ss in g ,   vol /i ss ue:   201 7 ( 1 ) ,   2017 .   [15]   S.  S.  Sengar   an d  S.  Mukhopad h y a y ,   “ Motion  det e ct ion   using  bloc k  b ase d  bi - dire c ti ona l  opt ical  flow  m e thod,”   Journal  of   Vi sua l  Comm unic at io n  and  Image   Re p resentat ion ,   vol .   49,   pp .   89 – 103 ,   2017.   [16]   A.  Keiva ni ,   et   al. ,   “ Motion - bas ed  m oving  obje ct   detec t ion  and   tra ck ing  using  aut om at i c  K - m ea ns,”   A FR ICON ,   2017  IEEE ,   pp.   32 – 37 ,  2 017 .   [17]     C.   Zha ng,   e t  al. ,   “ Moving  obje ct   detec ti on  algorithm  base d  on  pixe l  spati a l   sam ple   diffe ren ce   conse nsus , ”   Mult imedi a   Tool s and  Applicatio ns ,   vol / issue:   76 ( 21 ) ,   pp .   22077 – 22093,   2017 .   [18]     D.  Zhou,   et   al . ,   “ Moving  obje c t  d et e ct ion and  seg m ent at ion in  urb an  envi ronm ent s   from   a  m oving  pla tform,”   Image   and  Vi sion   Computing ,   vol .   68 ,   pp.   76 – 87 ,   2017 .   [19]     M.  Mous sa,   e t  a l. ,   “ Com par at ive  stud y   of  st at ist i ca l   bac kg round  m odel ing  and   subtraction,”  Indo nesian  Journal   o f   El e ct rica l  Eng in ee ring a nd   Computer  Sc ie nc e ,   v ol /i ss ue:   8 ( 2 ) ,   pp .   287 – 295 ,   2017 .   [20]     Y.  Ta bi i,   e t  al. ,   “ Video  Shot  B oundar y   D et e ct i on  using  the   Scal e  Inv ari an t  Fe at ure   Tra nsform   and  RGB  Color   Channe ls, ”  In te r nati onal  Journal   of  El e ct ri cal   an d  Computer  Eng i nee ring   ( IJE CE ) ,   vol /i ss ue:   7 ( 5 ) ,   pp.   2565 – 2673,   2017.   [21]     D.  Berj ón,   et   a l. ,   “ Re al - t ime  nonpar ametr i c  ba ckgr ound  subtra ct ion  with  track ing - base d  fore g round  updat e , ”   Pat te rn   Recogni t ion ,   vo l. 74, pp.  156 – 170,   2018 .   Evaluation Warning : The document was created with Spire.PDF for Python.