2.2 Foreground DetectionThe purpose

2.2 Foreground Detection
The purpose on this stage is to estimate a foreground image of
pixels changing in a given sequence of depth images. The
equivalent problem is how to dynamically obtain the background
inages from a flame sequence. Corresponding foreground pixels
are the differences between a current frame with a background
image, which satisfy the condition I framei – background il
s, where e is a predefined threshold.
f Previously, many approaches [15] have been proposed for
the task of foreground detection or background estimation. For
i instance, background is defined as a previous time, as the
maximum depth image among n-previous flames, as a running
average, as a joint probability density function (PDF) estimated by
nonparametric density estimation, as the smallest eigenvector of
I covariance image estimated by principal component analysis, and
as a mixture of Gaussian distribution. The details of these
i techniques are illustrated in Table 2.
In this work, we estimate a background using a mixture of
Gaussian clusters to discover a foreground image for both forward
i as well as backward movements of a human subject and to reduce
the size buffer to store the history depth images.

Kết quả (Việt) 1:

2.2 foreground DetectionMục đích vào giai đoạn này là để ước lượng một hình ảnh phía sau củapixel thay đổi trong một trình tự nhất định của độ sâu hình ảnh. Cáctương đương vấn đề là làm thế nào để tự động có được nềninages từ một chuỗi các ngọn lửa. Tương ứng foreground pixelsự khác biệt giữa một khung hình hiện tại với một nền tảnghình ảnh, đáp ứng các điều kiện tôi framei-nền ils, mà e là một ngưỡng xác định trước.f trước đây, nhiều cách tiếp cận [15] đã được đề xuấtnhiệm vụ dự toán phát hiện hoặc nền phía sau. Chotôi ví dụ, nền được định nghĩa là một thời gian trước đó, như là cácđộ sâu tối đa hình trong số n-trước ngọn lửa, như là một chạyTuyệt vời, như là một hàm mật độ xác suất khớp (PDF) ước tínhdự toán nonparametric mật, như eigenvector nhỏ nhất củaTôi theo ước tính hình ảnh hiệp phương sai của phân tích thành phần chủ yếu, vànhư là một hỗn hợp của phân phối Gaussian. Các chi tiết của cáctôi kỹ thuật được minh họa trong bảng 2.Trong tác phẩm này, chúng tôi ước tính một nền bằng cách sử dụng một hỗn hợp củaGaussian cụm để khám phá hình ảnh nền trước cho cả hai phía trướcTôi cũng như phong trào ngược của một đối tượng của con người và giảmbộ đệm kích thước để lưu trữ hình ảnh chiều sâu lịch sử.

Kết quả (Việt) 2:

2.2 Foreground Detection
Mục đích trên sân khấu này là để ước lượng một hình ảnh cận cảnh của
điểm ảnh thay đổi theo một trình tự nhất định của hình ảnh sâu. Các
vấn đề tương đương là làm thế nào để tự động lấy các nền
inages từ một chuỗi ngọn lửa. Tương ứng với các điểm ảnh tiền cảnh
là những khác biệt giữa một khung hiện tại với một nền
hình ảnh, đáp ứng điều kiện tôi framei - nền il
. S, trong đó e là một ngưỡng xác định trước
f Trước đây, nhiều cách tiếp cận [15] đã được đề xuất cho
nhiệm vụ phát hiện foreground hoặc lập dự toán nền. Đối với
tôi chẳng hạn, nền được định nghĩa là một thời gian trước đó, như các
hình ảnh độ sâu tối đa giữa các ngọn lửa n-trước, như một chạy
trung bình, như một hàm mật độ xác suất chung (PDF) ước tính
dự toán mật độ không tham số, như các vector riêng nhỏ nhất của
tôi hiệp phương sai hình ảnh ước tính bằng cách phân tích thành phần chính, và
là một hỗn hợp của phân phối Gaussian. Các chi tiết của các
kỹ thuật tôi được minh họa trong Bảng 2.
Trong công trình này, chúng tôi ước tính một nền sử dụng một hỗn hợp của
các cụm Gaussian để khám phá một hình ảnh cận cảnh cho cả phía trước
tôi cũng như phong trào ngược của một chủ thể con người và để giảm
các kích thước bộ đệm để lưu trữ các hình ảnh sâu lịch sử.