Artımsal Negatif Olmayan Matris Ayrıştırma İle Gözetleme Türü Videolarda Arkaplan Modelleme

Abstract

Bu çalışmada, dinamik arka plan modelleme probleminde artımlı negatif olmayan matris ayrıştırma (ANOMA) metodunun kullanımı incelenmiştir. ANOMA’nın gözetleme videolarında yeni gelen çerçevelerin mevcut gösterime katılımını kontrol ederek arka planı başarıyla modelleyebildiği gösterilmiştir. Bunun yanı sıra ANOMA, çevrimiçi yapısı ile teknik yazında var olan negatif olmayan matris ayrıştırma (NOMA) tekniğinin toplu işleme yapısına alternatif, düşük işlemsel karmaşıklıklı bir içerik modelleme metodudur. Performans değerlendirmesi için PETS2001 veri tabanından alınan gözetleme videolarıyla yapılan test sonuçları NOMA, ANOMA ve bu tür uygulamalar için önerilmiş bilinen bir teknik olan artımlı temel bileşen analizi (ATBA) için karşılaştırmalı olarak raporlanmıştır. ANOMA’nın bu uygulamada başarı ile kullanılabileceği görülmüş, özellikle ışıklılık değişimlerine karşı diğer iki yönteme göre daha gürbüz olduğu gözlenmiştir.

In this work, the use of incremental non-negative matrix factorization method in dynamic background modeling problem is examined. The proposed factorization method is derived from non-negative matrix factorization, and models the dynamic content of the video by controlling contribution of the subsequent observations to the existing model adaptively. Unlike the batch nature of non-negative matrix factorization, INMF is an on-line content representation scheme which is capable of extracting moving foreground objects. Test results are reported in order to compare background modeling performances of INMF, NMF and Incremental Principal Components Analysis, which is a well-known technique. It is concluded that INMF outperforms both NMF and IPCA and its robustness to illumination changes makes it a powerful representation tool in video surveillance applications.