Rather than explicitly modeling the

Rather than explicitly modeling the values of all
the pixels as one particular type of distribution, we
simply model the values of a particular pixel as a mixture of Gaussians. Based on the persistence and the
variance of each of the Gaussians of the mixture, we
determine which Gaussians may correspond to background colors. Pixel values that do not fit the background distributions are considered foreground until
there is a Gaussian that includes them with sufficient,
consistent evidence supporting it.
Our system adapts to deal robustly with lighting
changes, repetitive motions of scene elements, tracking through cluttered regions, slow-moving objects,
and introducing or removing objects from the scene.
Slowly moving objects take longer to be incorporated
into the background, because their color has a larger
variance than the background. Also, repetitive variations are learned, and a model for the background
distribution is generally maintained even if it is temporarily replaced by another distribution which leads
to faster recovery when objects are removed.
Our backgrounding method contains two significant
parameters –α, the learning constant and T, the proportion of the data that should be accounted for by the
background. Without needing to alter parameters, our
system has been used in an indoors, human-computer
interface application and, for the past 16 months, has
been continuously monitoring outdoor scenes

Kết quả (Việt) 1:

Chứ không phải là một cách rõ ràng mô hình hóa các giá trị của tất cảCác điểm ảnh như là một loại hình cụ thể của phân phối, chúng tôichỉ đơn giản là mô hình các giá trị của một điểm ảnh cụ thể là một hỗn hợp của Gaussians. Dựa trên sự kiên trì và cácphương sai của mỗi người trong số các Gaussians hỗn hợp, chúng tôixác định Gaussians có thể tương ứng với màu nền. Giá trị điểm ảnh không phù hợp với phân phối nền được coi là nền trước cho đến khicó là một Gaussian bao gồm họ với đầy đủ,phù hợp bằng chứng hỗ trợ nó.Hệ thống của chúng tôi thích nghi để đối phó đủ với ánh sángthay đổi, chuyển động lặp đi lặp lại của các yếu tố cảnh, theo dõi thông qua khu vực lộn xộn, làm chậm di chuyển các đối tượng,và giới thiệu hoặc loại bỏ các đối tượng từ hiện trường.Từ từ di chuyển đối tượng mất lâu hơn để được kết hợpvào nền, bởi vì màu sắc của họ có một lớn hơnphương sai hơn nền. Ngoài ra, biến thể lặp đi lặp lại được học được, và một mô hình cho nềnphân phối thường được duy trì, ngay cả khi nó tạm thời được thay thế bằng một phân phối dẫnđể phục hồi nhanh hơn khi các đối tượng được gỡ bỏ.Phương pháp backgrounding của chúng tôi có hai quan trọngtham số-α, học tập liên tục và T, tỷ lệ của các dữ liệu cần được chiếm bởi cácnền. Mà không cần phải thay đổi tham số, chúng tôiHệ thống đã được sử dụng trong một trong nhà, con người-máy tínhgiao diện ứng dụng, và 16 tháng qua, cóliên tục theo dõi hồ cảnh

Kết quả (Việt) 2:

Thay vì mô hình hóa một cách rõ ràng các giá trị của tất cả
các điểm ảnh là một loại hình cụ thể của phân phối, chúng tôi
chỉ đơn giản là mô hình các giá trị của một điểm ảnh cụ thể như là một hỗn hợp Gaussian. Căn cứ vào sự kiên trì và
phương sai của mỗi Gaussian của hỗn hợp, chúng tôi
xác định Gaussian thể tương ứng với màu nền. Các giá trị điểm ảnh không phù hợp với các bản phân phối nền được coi là tiền cảnh cho đến khi
có một Gaussian bao gồm họ có đủ,
bằng chứng phù hợp hỗ trợ nó.
Hệ thống của chúng tôi thích ứng để đối phó mạnh mẽ với ánh sáng
thay đổi, chuyển động lặp đi lặp lại của các yếu tố cảnh, theo dõi thông qua các khu vực lộn xộn, chậm -moving đối tượng,
và đưa vào hoặc loại bỏ đối tượng khỏi hiện trường.
Từ từ di chuyển đối tượng mất lâu hơn để được đưa
vào nền, vì màu sắc của họ có một lớn hơn
sai so với nền. Ngoài ra, biến thể lặp đi lặp lại được học, và một mô hình cho các nền
phân phối thường được duy trì ngay cả khi nó tạm thời được thay thế bởi một phân phối dẫn
đến phục hồi nhanh hơn khi các vật được lấy ra.
Phương pháp của chúng tôi backgrounding chứa hai ý nghĩa
thông số -α, việc học tập liên tục và T, tỷ lệ của dữ liệu đó phải được chiếm bởi các
nền. Mà không cần phải thay đổi các thông số, chúng tôi
hệ thống đã được sử dụng trong một nhà, con người-máy tính
giao diện ứng dụng và, trong vòng 16 tháng qua, đã
liên tục theo dõi những cảnh ngoài trời