Motion Saliency Detection for Surveillance Systems Using Streaming Dynamic Mode Decomposition

Clicks: 368
ID: 111068
2020
Free PDF
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Emerging

Ranked #18 of 145 articles by views in Symmetry

Most read Least read

Bar heights use a square-root scale. Only the 120 most-read articles are drawn; the journal has 145 in total.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
Intelligent surveillance systems enable secured visibility features in the smart city era. One of the major models for pre-processing in intelligent surveillance systems is known as saliency detection, which provides facilities for multiple tasks such as object detection, object segmentation, video coding, image re-targeting, image-quality assessment, and image compression. Traditional models focus on improving detection accuracy at the cost of high complexity. However, these models are computationally expensive for real-world systems. To cope with this issue, we propose a fast-motion saliency method for surveillance systems under various background conditions. Our method is derived from streaming dynamic mode decomposition (s-DMD), which is a powerful tool in data science. First, DMD computes a set of modes in a streaming manner to derive spatial–temporal features, and a raw saliency map is generated from the sparse reconstruction process. Second, the final saliency map is refined using a difference-of-Gaussians filter in the frequency domain. The effectiveness of the proposed method is validated on a standard benchmark dataset. The experimental results show that the proposed method achieves competitive accuracy with lower complexity than state-of-the-art methods, which satisfies requirements in real-time applications.
Intelligente Überwachungssysteme ermöglichen gesicherte Sichtbarkeitsfunktionen im Zeitalter der Smart City. Eines der wesentlichen Modelle für die Vorverarbeitung in intelligenten Überwachungssystemen ist die sogenannte Salienzdetektion, die als Grundlage für vielfältige Aufgaben wie Objektdetektion, Objektsegmentierung, Videocodierung, Bild-Retargeting, Bildqualitätsbewertung und Bildkompression dient. Herkömmliche Modelle konzentrieren sich darauf, die Detektionsgenauigkeit auf Kosten einer hohen Komplexität zu verbessern. Für reale Systeme sind diese Modelle jedoch zu rechenintensiv. Um diesem Problem zu begegnen, schlagen wir ein Verfahren zur schnellen Bewegungssalienz für Überwachungssysteme unter verschiedenen Hintergrundbedingungen vor. Unsere Methode leitet sich von der Streaming Dynamic Mode Decomposition (s-DMD) ab, einem leistungsfähigen Werkzeug der Datenwissenschaft. Zunächst berechnet die DMD eine Reihe von Moden im Streaming-Verfahren, um spatio-temporale Merkmale abzuleiten, und aus dem Prozess der dünnbesetzten Rekonstruktion wird eine initiale Salienzkarte generiert. Anschließend wird die finale Salienzkarte mithilfe eines Difference-of-Gaussians-Filters im Frequenzbereich verfeinert. Die Effektivität der vorgeschlagenen Methode wird anhand eines Standard-Benchmark-Datensatzes validiert. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode eine konkurrenzfähige Genauigkeit bei geringerer Komplexität im Vergleich zum aktuellen Stand der Technik erzielt, womit sie die Anforderungen von Echtzeitanwendungen erfüllt.
Reference Key
huh2020symmetrymotion Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors Thien-Thu Ngo,Vandung Nguyen,Xuan-Qui Pham,Md-Alamgir Hossain,Eui-Nam Huh;Thien-Thu Ngo;Vandung Nguyen;Xuan-Qui Pham;Md-Alamgir Hossain;Eui-Nam Huh;
Journal Symmetry
Year 2020
DOI
10.3390/sym12091397
URL
https://sciprofiles.com/publication/view/2189eff71476beadbebe5ccd7ad7d147
Keywords
surveillance systems dynamic mode decomposition motion saliency surveillance systems dynamic mode decomposition motion saliency

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.