Advanced background modeling with RGB-D sensors through classifiers combination and inter-frame foreground prediction

Camplani, Massimo; Blanco Adán, Carlos Roberto del; Salgado Álvarez de Sotomayor, Luis; Jaureguizar Núñez, Fernando y García Santos, Narciso (2014). Advanced background modeling with RGB-D sensors through classifiers combination and inter-frame foreground prediction. "Machine Vision and Applications", v. 25 (n. 5); pp. 1197-1210. ISSN 0932-8092. https://doi.org/10.1007/s00138-013-0557-2.

Descripción

Título: Advanced background modeling with RGB-D sensors through classifiers combination and inter-frame foreground prediction
Autor/es:
  • Camplani, Massimo
  • Blanco Adán, Carlos Roberto del
  • Salgado Álvarez de Sotomayor, Luis
  • Jaureguizar Núñez, Fernando
  • García Santos, Narciso
Tipo de Documento: Artículo
Título de Revista/Publicación: Machine Vision and Applications
Fecha: Julio 2014
Volumen: 25
Materias:
Palabras Clave Informales: Background modeling, Foreground prediction, Mixture of Gaussian, RGB-D cameras, Microsoft Kinect, Classifier combination
Escuela: E.T.S.I. Telecomunicación (UPM)
Departamento: Señales, Sistemas y Radiocomunicaciones
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (4MB) | Vista Previa

Resumen

An innovative background modeling technique that is able to accurately segment foreground regions in RGB-D imagery (RGB plus depth) has been presented in this paper. The technique is based on a Bayesian framework that efficiently fuses different sources of information to segment the foreground. In particular, the final segmentation is obtained by considering a prediction of the foreground regions, carried out by a novel Bayesian Network with a depth-based dynamic model, and, by considering two independent depth and color-based mixture of Gaussians background models. The efficient Bayesian combination of all these data reduces the noise and uncertainties introduced by the color and depth features and the corresponding models. As a result, more compact segmentations, and refined foreground object silhouettes are obtained. Experimental results with different databases suggest that the proposed technique outperforms existing state-of-the-art algorithms.

Proyectos asociados

TipoCódigoAcrónimoResponsableTítulo
Gobierno de EspañaTEC2010-20412Sin especificarSin especificarSin especificar

Más información

ID de Registro: 37381
Identificador DC: http://oa.upm.es/37381/
Identificador OAI: oai:oa.upm.es:37381
Identificador DOI: 10.1007/s00138-013-0557-2
URL Oficial: http://link.springer.com/article/10.1007%2Fs00138-013-0557-2
Depositado por: Memoria Investigacion
Depositado el: 02 Sep 2015 18:30
Ultima Modificación: 02 Sep 2015 18:30
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM