Tests (II)

Ya que en indoor ya poseeemos videos de testing, y hemos visto que Runnin Gaussian se comportaría correctamente para modelar esta escena, se han estado buscando videos de outdoor, que pudieran sernos de utilidad para comprobar como se comporta el último método.

Se han conseguido varios ejemplos de cámaras de seguridad instaladas en espacios publicos, aunque los tamaños de los videos eran demasiado elevados.

Se han recomprimido los videos con diversos codecs, y he perdido algunos dias, testeando y reprogramando el interfaz y el algoritmo, ya que se producían efectos extraños en algunos frames de los videos, y he pensado que eran fallos de programación, pero algunos dias después me he percatado (por fin ¡¡¡) que eran debido al ruido que produce la compresión en función de los codecs, y eso impacta sobre la detección del fondo.

Finalmente, los videos se han comprimido en utilizando el codec MJPEG, que después de varias pruebas era el que menos ruido añadía a los frames. En el proceso de recompresión, también se han redimensionado a 420 x 340.

Se muestra a continuación, varias capturas de algunas pruebas realizadas:

1 - Cambios repentinos en la luminosidad de la escena:

En este test se quiere demostrar como se adapta el método a un posible cambio de claridad en el entorno, siempre con el fin de conseguir que se den las mínimas falsas detecciones posibles.






Respecto a los valores de inicialización del algoritmo, la intención es conseguir una tabla de valores aceptables que se adapten a las condiciones de una escena outdoor.

Los valores utilizados son el resultado de varias pruebas, partiendo de los valores que aconsejaban para un entorno indoor.

Como se puede observar, a partir del fram 950 empieza a cambiar la claridad de la escena, de izquierda a derecha, con un número despreciable de falsas detecciones.


2- Pequeños movimientos rápidos y constantes

En este test se añade a la situación del cambio de lumonosidad, la existencia de árboles en la escena sometidos a viento, lo que originará movimientos constantes.





Como podemos observar, en los momentos con más viento, no se produce un número de falsas detecciones excesiva en las áreas de los árboles, ya que el número de gaussianas por pixel en esa zona, amortizarán y se adaptarán a los cambios de valores de los píxeles.





Resultados:

Como se puede observar, esté método sería una buena elección para incluir en un proceso de tracking, además de por su tradición histórica, por la calidad de los resultados en un amplio caso de escenas. Por tanto, teniendo en cuenta que en facetas de precisión en entornos heterogéneos es aceptable, una posible mejora sería en aspectos de rendimiento.

Zivkovic en el estudio Efficient adaptive density estimation per image pixel for the task of background subtraction, propone una mejora de este método par que se comporte de forma adaptativa, en cuanto al número de guassianas por pixel, con la consecuente mejora de rendimiento.

Por otro lado, para perfeccionar la precisión de los métodos, otra posible opción sería estudiar algunos filtros a aplicar despues del procesado del frame, para eliminar falsas detecciones y sombras.