3. EXPERIMENTAL RESULTS3.1 Evaluati

3. EXPERIMENTAL RESULTS
3.1 Evaluation of Foreground Detection
Algorithm
In this section, we conduct a series of experiments to find a
suitable foreground algorithm that is capable of detecting moving
pixels from a sequence of depth images. Alterative algorithms
implemented in our experiments estimate a foreground (a
changing image) by comparing the differences between the
current frame with the background defined by a previous frame, a
maximum depth image, a running average image, an image with
nonparametric density distribution (NDD), an eigen-background,
and an image with mixture Gaussian distribution. Qualitative
evaluation of different algorithms on a sequence of depth images
is shown in Fig. 7. Obviously, using a previous frame, a running
average image, an image with nonparametric density distribution,
and an eigen-background results a foreground including static
regions, that is unexpected in our approach since we want to
detect only moving pixels from an image. An amount of moving
pixels later play a critical role to determine which object will be
assigned as a human subject and backed along the frame
sequence.
The method using a maximum depth image among history
depth image stored in a buffer can extract foregrounds free from
the presence of static regions. However, due to the limited size of
the buffer, this approach may skip the backward movements.
Finally, as described in Fig. 8 an approach of estimating a
background image using the mixture Gaussian distribution is an
appropriate solution for our implementation since it not only takes
above advantages of using a maximum depth image but also can
detect both forward and backward movements of the subjects.

An average computational speed of difi‘erences algorithm is given
in Table 3. As we can see, except the algorithms computing a
background using PCA and nonparametric density estimation. all
of them are suitable for realtinie implementations.

Kết quả (Việt) 1:

3. THỬ NGHIỆM KẾT QUẢ3.1 đánh giá phát hiện tiền cảnhThuật toánTrong phần này, chúng tôi tiến hành một loạt các thí nghiệm để tìm mộtthuật toán phù hợp với tiền cảnh có khả năng phát hiện chuyển độngđiểm ảnh từ một chuỗi các hình ảnh sâu. Khác thay thế các thuật toánthực hiện theo ước tính của chúng tôi thử nghiệm một tiền cảnh (athay đổi hình ảnh) bằng cách so sánh sự khác biệt giữa cáccác khung hình hiện tại với nền tảng được xác định bởi một khung hình trước, mộtđộ sâu tối đa hình ảnh, hình ảnh hoạt động trung bình, một hình ảnh vớinonparametric mật độ phân bố (NDD), một nền tảng eigen,và một hình ảnh với hỗn hợp phân phối Gaussian. Về chất lượngđánh giá của các thuật toán khác nhau vào một chuỗi các hình ảnh sâuđược thể hiện trong hình 7. Rõ ràng, bằng cách sử dụng một khung hình trước đó, một chạyhình ảnh trung bình, một hình ảnh với nonparametric mật độ phân bố,và một nền tảng eigen kết quả trên một tiền cảnh bao gồm tĩnhkhu vực, đó là bất ngờ trong cách tiếp cận của chúng tôi vì chúng tôi muốnphát hiện chỉ điểm ảnh di chuyển từ một hình ảnh. Một số di chuyểnđiểm ảnh sau đó đóng một vai trò rất quan trọng để xác định đối tượng đó sẽđược chỉ định là một đối tượng của con người và được hỗ trợ cùng khungtrình tự.Phương pháp sử dụng hình ảnh tối đa chiều sâu trong lịch sửđộ sâu hình ảnh được lưu trữ trong một bộ đệm có thể giải nén miễn phí từ foregroundssự hiện diện của khu vực tĩnh. Tuy nhiên, do kích thước giới hạn củabộ đệm, cách tiếp cận này có thể bỏ qua các phong trào ngược.Cuối cùng, như được mô tả trong hình 8 một cách tiếp cận của dự toán mộthình nền bằng cách sử dụng hỗn hợp phân phối Gaussian là mộtCác giải pháp thích hợp cho chúng tôi thực hiện kể từ khi nó không chỉ mấtở trên lợi thế của việc sử dụng một hình ảnh độ sâu tối đa, nhưng cũng có thểphát hiện chuyển động về phía trước và lạc hậu của các đối tượng.Trung bình tốc độ tính toán của thuật toán difi'erences được đưa ratrong bảng 3. Như chúng ta có thể thấy, ngoại trừ các thuật toán máy tính bảnnền tảng sử dụng PCA và mật độ nonparametric dự toán. Tất cảchúng rất thích hợp cho việc triển khai realtinie.

Kết quả (Việt) 2:

KẾT QUẢ 3. THỰC NGHIỆM
3.1 Đánh giá của Foreground Phát hiện
thuật toán
Trong phần này, chúng tôi tiến hành một loạt các thí nghiệm để tìm ra một
thuật toán tiền cảnh phù hợp đó là khả năng phát hiện chuyển động
pixel từ một chuỗi hình ảnh sâu. Thuật toán phai lạt
thực hiện trong thí nghiệm của chúng tôi ước tính một nền trước (một
hình ảnh thay đổi) bằng cách so sánh sự khác biệt giữa các
khung hình hiện tại với nền được xác định bởi một khung trước đó, một
hình ảnh độ sâu tối đa, một hình ảnh trung bình chạy, một hình ảnh với
phân bố mật độ không tham số (NDD) , một eigen-nền,
và một hình ảnh với phân phối Gaussian hỗn hợp. Định tính
đánh giá của các thuật toán khác nhau trên một chuỗi các hình ảnh sâu
được thể hiện trong hình. 7. Rõ ràng, sử dụng khung trước, một chạy
hình ảnh trung bình, một hình ảnh với mật độ phân bố không tham số,
và một eigen-nền quả một nền trước bao gồm tĩnh
khu vực, đó là bất ngờ trong cách tiếp cận của chúng tôi vì chúng tôi muốn để
phát hiện chỉ có di chuyển điểm ảnh từ một hình ảnh . Số tiền chuyển
pixel sau đó đóng một vai trò rất quan trọng để xác định đối tượng sẽ được
phân công như một chủ thể nhân và hậu thuẫn dọc theo khung
trình tự.
Các phương pháp sử dụng một hình ảnh độ sâu tối đa trong lịch sử
hình ảnh sâu được lưu trữ trong một bộ đệm có thể trích xuất foreground miễn phí từ
sự hiện diện vùng tĩnh. Tuy nhiên, do kích thước hạn chế của
bộ đệm, phương pháp này có thể bỏ qua các phong trào ngược.
Cuối cùng, như mô tả trong hình. 8 một cách tiếp cận để ước lượng một
hình nền bằng cách sử dụng phân phối Gaussian hỗn hợp là một
giải pháp thích hợp cho việc thực hiện của chúng tôi vì nó không chỉ mất
trên lợi thế của việc sử dụng một hình ảnh độ sâu tối đa nhưng cũng có thể
phát hiện cả hai phong trào về phía trước và lạc hậu của các đối tượng.

Một máy tính tốc độ trung bình của difi'erences thuật toán được đưa ra
trong Bảng 3. Như chúng ta có thể thấy, ngoại trừ các thuật toán tính toán một
nền sử dụng PCA và đánh giá mật độ không tham số. tất cả
đều phù hợp cho việc triển khai realtinie.