HajerFrai图像处理文献总结.doc

年 1、Hajer Fradi, Jean-Luc Dugelay. Robust Foreground Segmentation Using Improved Gaussian Mixture Model and Optical Flow. ICIEV, 248-253, 2012. （前景分离方法） Abstract: GMM background subtraction has been widely employed to separate the moving objects from the static part of the scene. However, The background model estimation step is still problematic; the main difficulty is to decide which distributions of the mixture belong to the background. In this paper, the author propose a new approach based on incorporating an uniform motion model （Optical Flow） into GMM background subtraction. 在论文中对一些前景分离方法进行了介绍与比较。并对光流与GMM结合使用 的部分文献进行了讨论。对改进的GMM算法( 15)和使用二次多项 式模型的光流法( 19)进行了说明。在Pixel level结合使用了两 种方法进行前景分离。 结果：在i2r数据集上进行了实验。与 15和19的方法在检测率 (Recall)和精度(Precision)两个方面进行了对比，证明了方法的有效 性。 2、Hajer Fradi, Jean-Luc Dugelay. People counting system in crowded scenes based on feature regression. RUSIPCO,136-140, 2012. （拥挤状况下人群计数方法） Abstract: The author propose a counting system based on measurements of interest points, where a perspective normalization and a crowd measure-informed density estimation are introduced into a single feature. Then, the correspondence between this feature and the number of persons is learned by Gaussion Process regression. 人群计数方法通常包括两类:detection based and features based.论文对两 类方法存在的问题和研究现状进行了说明。文章在 1和5的基础上提出 了一种人群计数方法：步骤：（1） detection of moving interest points （SIFT 算法），然后利用光流法去掉静止特征；（2） perspective normalization （线 性插值法给每个兴趣点添加权值）;（3） density estimation for crowd measurement to handle the underestimation of the number of persons in high crowd situations （4） Gaussian process regression. 实验：数据集：PETS 2009.与 5中的实验数据进行了对比。对比内容 为：MAE （mean absolute error） and MRE （mean relative error）。 3、Hajer Fradi, Jean-Luc Dugelay. Low level crowd analysis using frame-wise normalized feature for people counting. W1FS，246-251，2012. （人群计数的方法） 与文献2的思路是一样的。同样的方法，相同的数据集，实验结果不一致？ 年 4、 Fradi H， Zhao X, Dugelay J L Crowd density analysis using subspace learning on local binary pattern[C]// 201