Although the aforementioned algorit

Although the aforementioned algorithms helped us to
localize the human subject in a depth image, additional human
segmentation is necessary to extract the body silhouettes.
Background removal performed before detection aims at precisely
determining the boundary of monitored subjects and the task of
detection is mitigated by avoiding the ambiguity of interested
regions from the background. Background removal has been

I developed for decades targeting to the specific domain of an RGB
I and a gray image. A static background can be averaged over a
sequence of frames and subtracted by the current video flame to
l reveal the foregrounds. Lately, each pixel of the background
image is modeled by Gaussian mixture distribution to allow the
f dynamic changes of captured environments [14, 15]. These approaches usually face foreground missing when tracked
subjects stand still for a long duration of time. Some other works
using both color and depth for background estimation were found in [16], but they were complicated and slow for real-time
applications.
In this work, we propose a pipeline approach for the human
extraction and detection of multiple subjects from complicated
backgrounds. Different regions appeared in a depth image are
isolated using the depth similarity of neighbor pixels. Such
l regions are merged into the bigger presenting objects that are later
recognized as human though motion characteristics. Human
subjects are tracked from frame-by-fiame basis to avoid occlusion
of multiple subjects. With the integration of effective background
segmentation, the proposed approach is appropriate for the task of
extracting and detecting human subjects from a depth image.
Furthermore, the algorithm is fast for real-time applications.
The rest of the paper is organized as follows. Section 2 presents
the methodology of the proposed approach. Section 3 shows our
experimental results. We finalize the paper with discussions in
Section 4.

Kết quả (Việt) 1:

Mặc dù các thuật toán nói trên đã giúp chúng tôibản địa hoá đối tượng của con người trong một hình ảnh sâu, bổ sung conphân đoạn là cần thiết để trích xuất các bóng cơ thể.Loại bỏ nền thực hiện trước khi phát hiện mục tiêu chính xácviệc xác định ranh giới theo dõi các đối tượng và nhiệm vụphát hiện được giảm nhẹ bằng cách tránh sự mơ hồ của quan tâmkhu vực từ phía sau. Loại bỏ nền đãTôi đã phát triển trong nhiều thập niên nhắm mục tiêu cho các tên miền cụ thể của một RGBTôi và một hình ảnh màu xám. Một nền tĩnh có thể được trung bình trong mộtChuỗi các khung hình và trừ bởi ngọn lửa video hiện tại đểl tiết lộ các foregrounds. Gần đây, mỗi điểm ảnh nềnhình ảnh được mô phỏng bằng phân phối Gaussian hỗn hợp để cho phép cácf năng động thay đổi của môi trường bị bắt [14, 15]. Những cách tiếp cận thông thường phải đối mặt với tiền cảnh mất tích khi theo dõicác đối tượng đứng yên cho một thời gian dài của thời gian. Một số tác phẩm khácsử dụng màu sắc và độ sâu cho nền dự toán đã được tìm thấy trong [16], nhưng họ là phức tạp và chậm cho thời gian thựcCác ứng dụng.Trong tác phẩm này, chúng tôi đề xuất một cách tiếp cận đường ống dẫn cho con ngườikhai thác và phát hiện nhiều đối tượng từ phức tạpnguồn gốc. Khu vực khác nhau xuất hiện trong một hình ảnh chuyên sâu đangcô lập bằng cách sử dụng sự tương tự sâu hàng xóm pixel. Như vậyl vùng được sáp nhập vào các đối tượng trình bày lớn hơn là sau nàyđược công nhận là con người mặc dù chuyển động đặc trưng. Con ngườiđối tượng được theo dõi từ cơ sở khung bởi fiame để tránh tắcnhiều môn học. Với sự hội nhập của nền hiệu quảphân khúc, là phương pháp được đề xuất là thích hợp cho nhiệm vụgiải nén và phát hiện các đối tượng của con người từ một hình ảnh sâu.Hơn nữa, các thuật toán là nhanh chóng cho các ứng dụng thời gian thực.Phần còn lại của giấy được tổ chức như sau. Trình bày phần 2Các phương pháp tiếp cận được đề xuất. Phần 3 cho thấy chúng tôikết quả thử nghiệm. Chúng tôi hoàn thành các giấy với cuộc thảo luận tạiMục 4.

Kết quả (Việt) 2:

Mặc dù các thuật toán nói trên đã giúp chúng tôi để
khoanh vùng đối tượng con người trong một hình ảnh sâu, con người thêm
segmentation là cần thiết để trích xuất các bóng cơ thể.
Loại bỏ nền thực hiện trước khi phát hiện nhằm xác
định ranh giới của các đối tượng được giám sát và nhiệm vụ
phát hiện được giảm thiểu bằng cách tránh sự mơ hồ của tâm
khu vực từ nền. Loại bỏ nền đã được

tôi phát triển trong nhiều thập kỷ nhắm mục tiêu vào các lĩnh vực cụ thể của một RGB
tôi và một hình ảnh màu xám. Một nền tĩnh có thể được trung bình trên một
chuỗi các khung hình và trừ bởi ngọn lửa video hiện tại để
l lộ ở nền. Gần đây, mỗi điểm ảnh của nền
hình ảnh được mô hình hóa bằng cách phân phối hỗn hợp Gaussian để cho phép
thay đổi năng động f của môi trường bị bắt [14, 15]. Những cách tiếp cận thường phải đối mặt với tiền cảnh thiếu khi theo dõi
các đối tượng đứng yên trong một thời gian dài của thời gian. Một số công trình khác
sử dụng cả màu sắc và chiều sâu cho dự toán nền đã được tìm thấy trong [16], nhưng họ đã được phức tạp và chậm cho thời gian thực
các ứng dụng.
Trong tác phẩm này, chúng tôi đề xuất một cách tiếp cận đường ống cho con người
khai thác và phát hiện nhiều đối tượng từ phức tạp
nguồn gốc. Khu vực khác nhau xuất hiện trong một hình ảnh sâu đang
bị cô lập bằng cách sử dụng sự tương đồng sâu của điểm ảnh lân cận. Như
vùng l được sáp nhập vào các đối tượng trình bày lớn hơn mà sau này được
công nhận là con người mặc dù đặc điểm chuyển động. Nhân
tượng được theo dõi từ cơ sở frame-by-fiame để tránh tắc
của nhiều đối tượng. Với sự hội nhập của nền hiệu quả
phân khúc, phương pháp đề xuất là phù hợp với nhiệm vụ
khai thác và phát hiện đối tượng con người từ một hình ảnh sâu.
Hơn nữa, các thuật toán nhanh cho các ứng dụng thời gian thực.
Phần còn lại của bài báo được tổ chức như sau. Phần 2 trình bày
phương pháp luận của phương pháp đề xuất. Phần 3 trình bày của chúng tôi
kết quả thí nghiệm. Chúng tôi hoàn thiện các giấy với các cuộc thảo luận trong
phần 4.