An adaptive wavelet shrinkage based accumulative frame differencing model for motion segmentation

Abstract

Сегментація руху в сценах реального світу є фундаментальним компонентом комп’ютерного зору. Існує безліч алгоритмів розпізнавання руху, кожен з яких має різні степені точності та обчислювальної складності. Найпоширенішими методами у випадку статичних камер є методи, засновані на різниці кадрів. Ці методи мають значну слабкість, коли мова йде про виявлення об’єктів, що повільно рухаються. Тому в цій статті подано новий підхід, який спрямований на покращення сегментації руху, пропонуючи метод розрізнення кадрів на основі накопичувального вейвлета. Крім того, у запропонованому підході використовується комбінація декількох методів для ефективного підвищення якості результатів сегментації руху. Ефективність цього підходу на реальних відеопослідовностях показує, що порівняння кадрів за допомогою двовимірного вейвлет-перетворення підвищує якість сегментації руху.Motion segmentation in real-world scenes is a fundamental component in computer vision. There exists a variety of motion recognition algorithms, each with varying degrees of accuracy and computational complexity. The most widely used techniques, in the case of static cameras, are those based on frame difference. Those methods have a significant weakness when it comes to detect slow moving objects. Therefore, we introduce in this paper a novel approach that aims to improve motion segmentation by proposing an accumulative wavelet based frame differencing technique. Moreover, in the proposed approach we exploit a combination of several techniques to efficiently enhance the quality of motion segmentation results. The approach’s performance on real-world video sequences shows that comparing frames using the 2D wavelet transform increases motion segmentation quality.