Motion Saliency Detection for Surveillance Systems Using Streaming Dynamic Mode Decomposition

كشف البروز الحركي لأنظمة المراقبة باستخدام تفكيك الأنماط الديناميكية المتدفق

Clicks: 315
ID: 112255
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 #45 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.
تتيح أنظمة المراقبة الذكية خصائص رؤية مؤمّنة في عصر المدن الذكية. ويُعد كشف البروز أحد النماذج الرئيسية للمعالجة المسبقة في أنظمة المراقبة الذكية، حيث يوفّر إمكانات داعمة لمهام متعددة، مثل: كشف الأجسام، وتجزئة الأجسام، وترميز الفيديو، وإعادة توجيه الصور، وتقييم جودة الصور، وضغط الصور. وتركز النماذج التقليدية على تحسين دقة الكشف على حساب التعقيد العالي؛ إلا أنها تظل باهظة التكلفة حوسبيًا بالنسبة للأنظمة التطبيقية في العالم الحقيقي. ولمعالجة هذه الإشكالية، نقترح طريقة سريعة لكشف بروز الحركة في أنظمة المراقبة تحت ظروف خلفية متباينة. وتُستمد طريقتنا من التفكيك النمطي الديناميكي التدفقي (s-DMD)، الذي يمثل أداة قوية في علم البيانات. أولاً، يحسب التفكيك النمطي الديناميكي (DMD) مجموعة من الأنماط بنمط تدفقي لاشتقاق السمات المكانية-الزمانية، ويتم توليد خريطة بروز أولية من عملية إعادة البناء المتناثر. ثانياً، تُنقّح خريطة البروز النهائية باستخدام مرشح فرق دوال غاوس (DoG) في المجال الترددي. وقد تم التحقق من فاعلية الطريقة المقترحة على مجموعة بيانات معيارية قياسية، حيث تُظهر النتائج التجريبية أن الطريقة المقترحة تحقق دقة تنافسية بتعقيد أقل مقارنةً بأحدث الطرق المماثلة، وهو ما يلبي متطلبات تطبيقات الزمن الحقيقي.
Reference Key
ngo2020symmetrymotion 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;Ngo, Thien-Thu;Nguyen, VanDung;Pham, Xuan-Qui;Hossain, Md-Alamgir;Huh, Eui-Nam;
Journal Symmetry
Year 2020
DOI
10.3390/sym12091397
URL
https://www.mdpi.com/2073-8994/12/9/1397/htm
Keywords
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.