Moving object shape detection by fragment processing

Abstract

The development of information technologies related to the analysis of visual information is inextricably linked with the methods of extracting various features or objects to facilitate their further analysis. This is due to the growing demands for visual data from the user. At the same time exactly object detection is one of the most fundamental and challenging tasks in locating objects in images and videos. Over the past, it has gained much attention to do more research on computer vision tasks such as object classification, counting of objects, and object monitoring. At the same time, researchers almost never paid attention to the fact of the shape of a moving object, and usually left this question for further analysis. At the same time, for example, for an object classification, having an object with clear shape outlines as input would be useful. This study provides video fragment processing for moving object shape detection. Our approach is based on dividing each frame into fragments that allow the present image frame as a square matrix for a formal description. The rectangular video frame has been transformed into a square matrix by SVD (singular value decomposition), where each element is a Ky Fan norm value used as a descriptor. Scene changes in the frame will affect Key Fan norm fluctuations. Comparing the fragment norm changes with other fragment norm changes will allow us to assess how significant these changes are. If the norm value exceeds the threshold value, we can include this fragment as part of the moving object. By combining such fragments together, we will detect moving object shapes. The threshold is dynamic and depends on time. In this study, we paid attention to calculating a threshold value for a fragment's reliable identification of a moving object. We also note that the experiments were conducted for the case when there is a stationary camera (surveillance camera) and some moving object in the field of view. And in this case, it was possible to obtain a clear contour of a complex shape for a moving object. More complex cases of simultaneous movement of both the object and the camera will be considered later.

Розвиток інформаційних технологій, пов’язаних з аналізом візуальної інформації нерозривно пов’язаний з методами виділення різноманітних ознак або об’єктів для полегшення їх подальшого аналізу. Це пов’язано зі зростаючими вимогами до візуальних даних з боку користувача. При цьому виявлення саме об’єктів є одним із фундаментальних і найскладніших завдань визначення місцезнаходження даних на зображеннях і відео. У минулому багато уваги приділялося додатковим дослідженням задач комп’ютерного зору, таких як класифікація об’єктів, підрахунок об’єктів і моніторинг об’єктів. При цьому дослідники майже ніколи не звертали уваги на факт того, яка форма у рухомого об’єкту, а, зазвичай, залишали це питання для подальшого аналізу. В той же час для, наприклад, задачі класифікації мати в якості вхідної інформації об’єкт з чіткими абрисами форми було б корисним. Представлене дослідження забезпечує обробку фрагментів відео для визначення форми рухомого об’єкта. Наш підхід заснований на поділі кожного кадру на фрагменти, які дозволяють представити кадр зображення у вигляді квадратної матриці для формального опису. Прямокутний відеокадр був перетворений у квадратну матрицю за допомогою SVD, де кожен елемент є значенням норми Ky Fan, в якості дескриптору. Зміни сцени в кадрі впливатимуть на коливання норми Ky Fan. Порівняння змін норми фрагментів з іншими змінами норми фрагментів дозволить нам оцінити, наскільки ці зміни значні. Якщо значення норми перевищує порогове значення, ми можемо включити цей фрагмент до складу рухомого об’єкта. Комбінуючи такі фрагменти разом, ми виявимо форму рухомого об’єкту. Поріг динамічний і залежить від часу. У цьому дослідженні ми приділили увагу розрахунку порогового значення для надійної ідентифікації фрагментів рухомого об’єкта. Також зазначимо, що експерименти проводилися для випадку, коли є нерухома камера (камера відеоспостереження) і деякий рухомий об’єкт в полі зору. І в цьому випадку вдалося отримати чіткий контур складної форми для рухомого об’єкту. Більш складні випадки одночасного руху і об’єкту, і камери буде розглянуто пізніше.