Arka Plan Çıkarımı
Background Subtraction for Foreground Detection · Ayrıca şöyle bilinir: Foreground detection, Video segmentation
Arka plan çıkarımı, hareketli ön plan nesnelerini statik veya yavaş değişen bir arka plandan ayırmak için her bir kareyi öğrenilmiş veya tahmin edilmiş bir arka plan modeliyle karşılaştıran bir video işleme tekniğidir. Video gözetimi ve hareket algılamada yaygın olarak kullanılan arka plan çıkarımı, aydınlatma değişikliklerinin olduğu karmaşık sahnelerde bile sağlam ön plan algılaması sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Arka planın nispeten kararlı olduğu veya yavaş ve tahmin edilebilir şekilde değiştiği sahnelerde video gözetimi, hareket algılama ve nesne takibi için arka plan çıkarımını kullanın. Arka plan çıkarımı, hava durumu veya günün saati nedeniyle arka planın kademeli olarak değiştiği dış mekan sahneleri için iyi çalışır. Arka planın oldukça dinamik olduğu (su, sallanan ağaçlar) veya ön plan ile arka planın ayırt edilmesinin zor olduğu durumlarda (kamuflajlı nesneler) arka plan çıkarımından kaçının; optik akış veya derin öğrenme alternatiflerini değerlendirin.
Güçlü yönler & sınırlılıklar
- Hesaplama açısından verimli; standart donanımda gerçek zamanlı çalışır
- Manuel yeniden eğitim gerektirmeden kademeli arka plan değişikliklerine (aydınlatma, hava durumu) uyum sağlar
- Nesne modeli veya eğitim verisi gerektirmez; videonun kendisinden öğrenir
- Hedefe özgü tanıma olmaksızın tüm hareketli nesneleri algılar
- Çeşitli video alanlarında (gözetim, trafik, spor) çalışır
- Arka plan dinamik olduğunda başarısız olur (okyanus dalgaları, hareketli ağaçlar, titreyen ışıklar)
- Gölgelere ve yansımalara duyarlıdır; gölgeleri yanlışlıkla ön plan olarak sınıflandırır
- Ani küresel aydınlatma değişiklikleri (ışık anahtarı, gün doğumu) arka plan modelini bozabilir
- Yavaş hareket eden veya sabit nesneler zamanla arka plan modeline dahil olabilir
SSS
Her piksel için tek bir Gauss yerine neden Gauss Karışım Modeli (GMM) kullanılır?
Arka plan pikselleri doğal varyasyon gösterir: yüzeyler ışığı biraz farklı açılarda yansıtır, bu da yoğunluk dalgalanmalarına neden olur; bitki örtüsü ve su hafifçe hareket eder. Tek bir Gauss bu çok modlu davranışı yakalayamaz. Bir Gauss karışımı, bazı bileşenlerin kararlı arka planı (düşük varyans) ve diğerlerinin ön plan dışı varyasyonları (düşük güven) temsil etmesine olanak tanır.
Arka plan çıkarımı aydınlatma değişikliklerine nasıl uyum sağlar?
Arka plan modeli sürekli güncellenir: bir piksel arka plan modeliyle eşleştiğinde, bu gözlem Gauss bileşenlerini (ortalama ve varyans) ayarlamak için kullanılır. Bu artımlı öğrenme, modelin yeni aydınlatma koşullarına kademeli olarak kaymasına izin verir. Ancak, ani değişiklikler (bir ışığı açmak gibi) yeterli kare işlenene kadar modeli bunaltabilir.
Gölge algılama nedir ve neden gereklidir?
Gölgeler, ön plan nesnelerinin arka plandan gelen ışığı engellediği, o alanı karartan bölgelerdir. Saf arka plan çıkarımı, yoğunlukları arka plandan farklı olduğu için gölgeleri ön plan olarak sınıflandırır. Gölge algılama, yoğunluğun orantılı olarak azaldığı bölgeleri (gölge imzası) tanımlar ve bunları arka plan olarak sınıflandırarak ön plan nesne sınırlarını iyileştirir.
Arka plan çıkarımı geçici tıkanıklıkları veya yeniden aydınlatmayı nasıl ele alır?
Tıkanıklıklar (sabit duran bir kişi), alan modelin Gauss dağılımıyla yeterli sayıda kare boyunca eşleştiği için kademeli olarak arka plan modeline dahil olur. Bunu önlemek için, bazı yöntemler kalıcı ön plan bölgelerini açıkça takip eder veya uzun süreli tıkanıklık için ayrı bir 'gölge' bileşeni kullanır. Yeniden aydınlatma, model adaptasyonu ile ele alınır, ancak ani değişiklikler model ayarlanana kadar yine de yanlış algılamalara neden olur.
Kaynaklar
- Stauffer, C., & Grimson, W. E. L. (1999). Adaptive background mixture models for real-time tracking. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 246–252. DOI: 10.1109/CVPR.1999.784637 ↗
- KaewTraKulPong, P., & Bowden, R. (2002). An improved adaptive background mixture model for real-time tracking with shadow detection. Proceedings of the European Conference on Computer Vision (ECCV), 135–144. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Background Subtraction for Foreground Detection. ScholarGate. https://scholargate.app/tr/computer-vision/background-subtraction
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Canny Kenar AlgılayıcısıBilgisayarlı görü↔ karşılaştır
- Kontur AnaliziBilgisayarlı görü↔ karşılaştır
- Histogram EşitlemeBilgisayarlı görü↔ karşılaştır
- Morfolojik Görüntü İşlemleriBilgisayarlı görü↔ karşılaştır
- Havza BölütlemeBilgisayarlı görü↔ karşılaştır