CHAPTER 3 PROPOSED ALGORITHMS In th

CHAPTER 3 PROPOSED ALGORITHMS
In this chapter, we will discuss in more details all algorithms used in our project. In particular, these algorithms will be described in each step to fulfill its goal based on its flow chart. Specially, we also discuss some different ways for preparing background image.

Figure 3. 1 Flow chart of pathological gait detection system
3.1 Background subtraction
There are two methods of background subtraction we used in this section: frame difference and background subtraction using GMM.
3.1.1 Common background subtraction vs background subtraction using GMM
3.1.1.1 Common background subtraction
The idea is that subtracting the background from each of the sequences under a specific threshold. We perform this method in Matlab software to evaluate which is the best suitable with our database.
Step 1: There are three ways to select background for original gait image:
1) Using the first frames
2) Taking median filter for the first 25 frames
3) Taking mean filter for the first 25 frames
Step 2: Processing in each frame in video
- Applying low pass filter to blur image ( both background and image with human)
- Detect human area according to the condition of threshold
If | Vo (x, y) - Vbg (x,y) | < Th, Vg( x, y) = 0
Else Vg( x, y) = Vo( x, y)
In which: Vo( x, y) pixel intensity of original image
Vbg (x, y) pixel intensity of background
Vg( x, y) pixel intensity of human gait extracted image
Th: threshold
3.1.1.2 Background subtraction using GMM
In this approach, each pixel is modeled with a mixture of Gaussian distributions so that the model is general enough to handle common background variations. The background subtraction using GMM involves two different tasks, each of which needs to be performed real-time, with having only the video frames as the input:
1) Learning the background model
Following parameters of each Gaussian component need to be learned dynamically
• The parameters of Gaussians
– Mean
– Variance
– Weight
• Number of Gaussians per pixel
2) Classifying pixels as background or foreground
3) Update parameter of Gaussian component
The Gaussian Mixture Model training flowchart is shown in Figure 3.2:




















Figure 3. 2 Flow chart of GMM

Kết quả (Việt) 1:

CHƯƠNG 3 ĐÃ ĐỀ XUẤT THUẬT TOÁN Trong chương này, chúng tôi sẽ thảo luận chi tiết hơn tất cả các thuật toán được sử dụng trong dự án của chúng tôi. Đặc biệt, các thuật toán này sẽ được mô tả từng bước hoàn thành mục tiêu của nó dựa trên biểu đồ dòng chảy của nó. Đặc biệt, chúng tôi cũng thảo luận về một số cách khác nhau để chuẩn bị hình ảnh nền. Hình 3. 1 biểu đồ dòng chảy của hệ thống phát hiện bệnh lý dáng đi3.1 nền trừ Có hai phương pháp của phép trừ nền chúng tôi sử dụng trong phần này: khung khác biệt và nền trừ bằng cách sử dụng GMM.3.1.1 chung nền trừ vs nền trừ bằng cách sử dụng GMM3.1.1.1 chung nền trừ Ý tưởng là trừ nền từ mỗi của các chuỗi theo một ngưỡng cụ thể. Chúng tôi thực hiện phương pháp này trong phần mềm Matlab để đánh giá là tốt nhất phù hợp với các cơ sở dữ liệu của chúng tôi.Bước 1: Có 3 cách chọn nền cho hình ảnh dáng đi ban đầu:1) sử dụng khung đầu tiên2) lấy trung bình lọc cho khung đầu tiên 253) uống có nghĩa là bộ lọc cho các khung hình đầu tiên 25Bước 2: Xử lý trong từng khung hình trong video-Áp dụng các bộ lọc thông thấp để mờ hình ảnh (nền và hình ảnh với con người)-Phát hiện các khu vực của con người theo các điều kiện của ngưỡngNếu | Vo (x, y) - Vbg (x, y) | < Th, Vg (x, y) = 0Vg khác (x, y) = Vo (x, y)Trong đó: Vo (x, y) cường độ pixel của ảnh gốc Cường độ pixel VBG (x, y) của nền VG (x, y) pixel cường độ dáng đi của con người trích xuất hình ảnh Th: ngưỡng3.1.1.2 nền trừ bằng cách sử dụng GMMTrong cách tiếp cận này, mỗi điểm ảnh được mô phỏng với một hỗn hợp của các phân bố Gaussian do đó các mô hình là tổng hợp, đủ để xử lý các biến thể phổ biến của nền. Trừ nền sử dụng GMM hai khác nhau liên quan đến nhiệm vụ, mỗi người mà cần phải được thực hiện thời gian thực, với việc chỉ là các khung hình video như là đầu vào:1) học tập mô hình nềnCác thông số sau đây của từng thành phần Gauss cần phải được học tự động• Các thông số của Gaussians -Có nghĩa là -Phương sai-Trọng lượng• Số lượng Gaussians / pixel 2) để phân loại các điểm ảnh như là nền tảng hay nền trước3) Cập nhật các tham số của các thành phần GaussSơ đồ đào tạo Gaussian hỗn hợp mô hình được hiển thị trong hình 3.2:Hình 3. 2 biểu đồ dòng chảy của GMM

Kết quả (Việt) 2:

CHƯƠNG 3 ĐỀ XUẤT ALGORITHMS
Trong chương này, chúng ta sẽ thảo luận chi tiết hơn tất cả các thuật toán được sử dụng trong dự án của chúng tôi. Đặc biệt, những thuật toán này sẽ được mô tả từng bước để hoàn thành mục tiêu của mình dựa trên biểu đồ dòng chảy của nó. Đặc biệt, chúng tôi cũng thảo luận về một số cách khác nhau để chuẩn bị hình ảnh nền. Hình 3. 1 Sơ đồ luồng hệ thống phát hiện dáng đi bệnh lý 3.1 Bối cảnh trừ Có hai phương pháp trừ nền chúng tôi sử dụng trong phần này:. Khác biệt khung và trừ nền sử dụng GMM 3.1. 1 trừ nền chung vs trừ nền sử dụng GMM 3.1.1.1 trừ nền chung ý tưởng là đã trừ các nền từ mỗi của các trình tự dưới một ngưỡng cụ thể. Chúng tôi thực hiện phương pháp này trong phần mềm Matlab để đánh giá đó là tốt nhất phù hợp với cơ sở dữ liệu của chúng tôi. Bước 1: Có ba cách để lựa chọn nền cho hình ảnh dáng ban đầu: 1) Sử dụng các khung hình đầu tiên 2) Đi bộ lọc trung bình cho 25 khung hình đầu tiên 3 ) Đi bộ lọc trung bình cho 25 khung hình đầu tiên Bước 2: chế biến trong mỗi khung hình trong video - Áp dụng bộ lọc thông thấp để làm mờ hình ảnh (cả hai nền và hình ảnh với con người) - Phát hiện diện của con người theo các điều kiện của ngưỡng Nếu | Võ (x, y) - VBG (x, y) | <Th, VG (x, y) = 0 Else VG (x, y) = Võ (x, y) Trong đó: Võ (x, y) pixel cường độ của hình ảnh gốc VBG (x, y) cường độ điểm ảnh của nền VG (x, y) cường độ điểm ảnh của dáng đi của con người hình ảnh trích Th: ngưỡng 3.1.1.2- nền trừ sử dụng GMM trong phương pháp này, mỗi điểm ảnh được mô phỏng với một hỗn hợp của các phân bố Gaussian để các mô hình là đủ tổng quát để xử lý các biến bối cảnh chung. Việc trừ nền sử dụng GMM liên quan đến hai nhiệm vụ khác nhau, mỗi trong số đó cần phải được thực hiện theo thời gian thực, với việc chỉ có những khung hình video như đầu vào: 1) Học tập các mô hình nền sau các thông số của mỗi thành phần Gaussian cần phải được học tự động • Các thông số của Gaussian - Mean - Variance - trọng lượng • số Gaussian mỗi điểm ảnh 2) Phân loại ảnh theo phía trước hoặc sau 3) cập nhật tham số của thành phần Gaussian Biểu đồ đào tạo hỗn hợp mẫu Gaussian được thể hiện trong hình 3.2: Hình 3. Biểu đồ 2 dòng chảy của GMM