Modelo De Fondo Medio Móvil

Introducción Identificar objetos en movimiento a partir de una secuencia de vídeo es una tarea fundamental y crítica en muchas aplicaciones de visión artificial. Un enfoque común es realizar una resta de fondo, que identifica objetos en movimiento de la parte de un marco de video que difiere significativamente de un modelo de fondo. Hay muchos retos en el desarrollo de un buen algoritmo de sustracción de fondo. En primer lugar, debe ser robusto contra los cambios en la iluminación. En segundo lugar, debe evitar la detección de objetos de fondo no estacionarios tales como hojas en movimiento, lluvia, nieve y sombras emitidas por objetos en movimiento. Por último, su modelo de fondo interno debe reaccionar rápidamente a los cambios de fondo, como el arranque y la parada de los vehículos. Nuestra investigación comenzó con una comparación de varios algoritmos de sustracción de fondo para detectar vehículos en movimiento y peatones en secuencias de vídeo de tráfico urbano (Cheung y Kamath 2004). Se consideraron enfoques que varían desde técnicas simples como la diferenciación de tramas y el filtrado mediano adaptativo, hasta técnicas de modelado probabilísticas más sofisticadas. Mientras que las técnicas complicadas a menudo producen un rendimiento superior, nuestros experimentos muestran que técnicas simples como el filtrado mediano adaptativo pueden producir buenos resultados con una complejidad computacional mucho menor. Además, encontramos que pre-y post-procesamiento del video puede ser necesario para mejorar la detección de objetos en movimiento. Por ejemplo, mediante suavizado espacial y temporal, podemos eliminar la nieve de un video como se muestra en la Figura 1. Los objetos móviles pequeños, como mover las hojas en un árbol, pueden ser eliminados mediante el procesamiento morfológico de los marcos después de la identificación de los objetos en movimiento , Como se muestra en la Figura 2. Figura 1. Marco de video a la izquierda que muestra una escena de tráfico mientras nevaba. Observe las rayas en la imagen debido a los copos de nieve. El mismo cuadro de video después de la suavización espacial y temporal está a la derecha, sin las rayas de nieve. Figura 2. El marco de video a la izquierda destaca, en color rosa, los objetos detectados como móviles. Observe el movimiento de las hojas en los árboles en primer plano. El procesamiento morfológico limpia el cuadro de video como se muestra a la derecha. La tasa y el peso de las actualizaciones del modelo afectan en gran medida los resultados en primer plano. Los modelos de fondo de adaptación lenta no pueden superar rápidamente grandes cambios en el fondo de la imagen (como una nube que pasa sobre una escena). Esto da lugar a un período de tiempo en el que muchos píxeles de fondo se clasifican incorrectamente como píxeles de primer plano. Una velocidad de actualización lenta también tiende a crear una máscara de fantasma que arrastra el objeto real. Los modelos de fondo de adaptación rápida pueden ocuparse rápidamente de los cambios de fondo, pero fallan a velocidades de fotogramas bajas. También son muy susceptibles al ruido y al problema de apertura. Estas observaciones indican que un enfoque híbrido podría ayudar a mitigar los inconvenientes de cada uno. Hemos creado una nueva técnica de validación de primer plano que se puede aplicar a cualquier algoritmo de sustracción de fondo de adaptación lenta (Cheung y Kamath 2005). Los métodos de adaptación lenta producen máscaras relativamente estables y tienden a ser más inclusivos que los métodos de adaptación rápida. Como resultado, también pueden tener alta tasa de falsos positivos. La validación de primer plano examina además los píxeles de primer plano individuales en un intento de eliminar falsos positivos. Nuestro algoritmo obtiene primero una máscara de primer plano a partir de un algoritmo de adaptación lenta y luego valida los píxeles de primer plano mediante un modelo de objeto móvil simple construido con estadísticas de primer plano y de fondo, así como un algoritmo de adaptación rápida. Figura 3. Las mezclas de aproximación gaussiana (a) no son muy robustas a los cambios en la iluminación en comparación con el método propuesto (b). Los experimentos de tierra-verdad con secuencias de tráfico urbano han demostrado que nuestro algoritmo propuesto produce un rendimiento que es comparable o mejor que otras técnicas de substracción de fondo (Figura 4). Figura 4: Comparación de diferentes algoritmos. (A) Imagen original que muestra un coche que comienza a moverse después de estar parado por un tiempo. Primer plano detectado por (b) diferenciación de marco, (c) mediana aproximada, (d) mediana, (e) filtro de Kalman, (f) mezclas de Gaussianos, y (g) nuestro nuevo método con validación de primer plano. Agradecimientos Los videos utilizados en nuestro trabajo son del sitio web mantenido por KOGS-IAKS Universitaet Karlsruhe. Agradecemos su disposición a poner sus datos a disposición del público. Referencias Cheung, S.-C. Y C. Kamath, Robusta Restauración de Antecedentes con la Validación del Primer Plano para el Vídeo de Tráfico Urbano, Revista EURASIP sobre Procesamiento de Señal Aplicada, Volumen 14, pp 1-11, 2005. UCRL-JRNL-201916. Cheung, S.-C. Y C. Kamath, técnicas robustas para la sustracción de fondo en el tráfico de tráfico urbano, comunicaciones por vídeo y procesamiento de imágenes, SPIE Electronic Imaging, San José, enero de 2004, UCRL-JC-153846-ABS, UCRL-CONF-200706 PDF. Va a ser un artículo muy simple, pero usted lo encontrará muy útil. Se trata de extracción de fondo de un vídeo. Suponga que se le da un video de la cantidad de tráfico, puede ser algo como esto. Tráfico en la India. Y se le pide que encuentre un fondo aproximado. O algo así. La extracción de fondo es importante en el seguimiento de objetos. Si ya tiene una imagen del fondo desnudo, entonces es simple. Pero en muchos casos, usted no tendrá tal imagen y así, usted tendrá que crear uno. Ahí es donde Running Average viene muy bien. (Pensé en esto cuando un chico hizo una pregunta en SOF. Link) La función que usamos aquí para encontrar Running Average es cv2.accumulateWeighted (). Por ejemplo, si estamos viendo un video, seguimos alimentando cada fotograma a esta función, y la función sigue encontrando los promedios de todos los fotogramas alimentados a ella según la siguiente relación: src no es más que nuestra imagen de origen. Puede ser en escala de grises o imagen en color y 8 bits o 32 bits punto flotante. Dst es la imagen de salida o acumulador con los mismos canales que la de la imagen de origen, y es de 32 bits o de 64 bits punto flotante. Además, debemos declararlo primero a un valor que se tomará como valor inicial. Alpha es el peso de la imagen de entrada. De acuerdo con Docs, alfa regula la velocidad de actualización (qué tan rápido el acumulador 8220forgets8221 sobre imágenes anteriores). En palabras simples, si alfa es un valor más alto, la imagen promedio intenta capturar cambios muy rápidos y cortos en los datos. Si es un valor más bajo, el promedio se vuelve lento y no considerará cambios rápidos en las imágenes de entrada. Voy a explicar un poco con la ayuda de imágenes al final del artículo. En el código anterior, he establecido dos promedios, uno con mayor valor alfa y otro con menor valor alfa para que pueda entender el efecto de alfa. Al principio ambos se fijan al marco inicial de la captura. Y en loop se actualizan. Puedes ver algunos resultados en el enlace SOF que ya he proporcionado. (Proporciono esos resultados aquí, usted puede comprobar el código y el valor del alfa allí): Utilicé mi webcam y marco original ahorrado y funcionamiento de la media en un instante particular. Este es un marco de un típico video de tráfico tomado por una cámara fija. Como puede ver, un coche va en el camino, y la persona está tratando de cruzar el camino en un instante determinado de tiempo. Pero vea el promedio en ese momento. No hay persona ni automóvil en esta imagen (en realidad está ahí, mira de cerca, entonces lo verás, y la persona es más clara que el coche, ya que el coche se está moviendo muy rápido ya través de la imagen, no tiene mucho Efecto en promedio, pero la persona está allí durante mucho tiempo, ya que es lento y se mueve a través de la carretera.) Ahora necesitamos ver el efecto de alfa en estas imágenes. Los promedios móviles adaptativos conducen a mejores resultados Los promedios móviles son un favorito Herramienta de los comerciantes activos. Sin embargo, cuando los mercados se consolidan, este indicador conduce a numerosos oficios whipsaw, resultando en una frustrante serie de pequeñas victorias y pérdidas. Los analistas han pasado décadas tratando de mejorar el promedio móvil simple. En este artículo, miramos estos esfuerzos y encontramos que su búsqueda ha llevado a útiles herramientas comerciales. Pros y contras de los promedios móviles Las ventajas y desventajas de los promedios móviles fueron resumidos por Robert Edwards y John Magee en la primera edición de Technical Analysis of Tendencias de Stock. Cuando dijeron y, fue en 1941 que hicimos el descubrimiento con alegría (aunque muchos otros lo habían hecho antes) que mediante el promedio de los datos para un número determinado de días uno podría derivar una especie de línea de tendencia automática que definitivamente interpretar los cambios de Tendencia Parecía casi demasiado bueno para ser verdad. De hecho, era demasiado bueno para ser verdad. Con las desventajas superando las ventajas, Edwards y Magee abandonaron rápidamente su sueño de negociar de un bungalow de la playa. Pero 60 años después de que escribieron esas palabras, otros persisten en tratar de encontrar una herramienta sencilla que sin esfuerzo entregar las riquezas de los mercados. Promedios móviles sencillos Para calcular una media móvil simple. Agregar los precios para el período de tiempo deseado y dividir por el número de períodos seleccionados. Encontrar un promedio móvil de cinco días requeriría sumar los cinco precios de cierre más recientes y dividir por cinco. Si el cierre más reciente está por encima de la media móvil, se considerará que la acción está en una tendencia alcista. Las tendencias de baja se definen por los precios que operan por debajo de la media móvil. (Para obtener más información, consulte nuestro tutorial de Medias móviles.) Esta propiedad que define la tendencia hace posible que las medias móviles generen señales comerciales. En su aplicación más simple, los comerciantes compran cuando los precios se mueven por encima de la media móvil y se venden cuando los precios cruzan por debajo de esa línea. Un enfoque como este se garantiza para poner al comerciante en el lado derecho de cada comercio significativo. Desafortunadamente, al alisar los datos, los promedios móviles se quedarán a la zaga de la acción del mercado y el comerciante casi siempre devolverá una gran parte de sus ganancias incluso a las mayores operaciones ganadoras. Promedios móviles exponenciales Los analistas parecen gustar la idea de la media móvil y han pasado años tratando de reducir los problemas asociados con este rezago. Una de estas innovaciones es el promedio móvil exponencial (EMA). Este enfoque asigna una ponderación relativamente más alta a los datos recientes, y como resultado se mantiene más cerca de la acción del precio que un simple promedio móvil. La fórmula para calcular una media móvil exponencial es: EMA (Weight Close) ((1 peso) EMAy) Donde: El peso es la constante de suavizado seleccionada por el analista EMAy es la media móvil exponencial de ayer Un valor de ponderación común es de 0.181, que Está cerca de una media móvil simple de 20 días. Otro es 0.10, que es aproximadamente una media móvil de 10 días. A pesar de que reduce el retraso, el promedio móvil exponencial no aborda otro problema con los promedios móviles, que es que su uso para las señales comerciales dará lugar a un gran número de operaciones perdidas. En Nuevos Conceptos en Sistemas Técnicos de Negociación. Welles Wilder estima que los mercados sólo tienden una cuarta parte del tiempo. Hasta 75 de la acción comercial se limita a rangos estrechos, cuando las señales de compra-venta promedio móvil se generarán repetidamente a medida que los precios se mueven rápidamente por encima y por debajo de la media móvil. Para abordar este problema, varios analistas han sugerido variar el factor de ponderación del cálculo EMA. Adaptación de los promedios móviles a la acción del mercado Un método para abordar las desventajas de los promedios móviles es multiplicar el factor de ponderación por una razón de volatilidad. Hacer esto significaría que el promedio móvil estaría más lejos del precio actual en mercados volátiles. Esto permitiría a los ganadores correr. Como una tendencia llega a su fin y los precios se consolidan. El promedio móvil se acercaría a la acción actual del mercado y, en teoría, permitiría al comerciante mantener la mayor parte de las ganancias capturadas durante la tendencia. En la práctica, la relación de volatilidad puede ser un indicador como el Bollinger Bandwidth, que mide la distancia entre las Bandas de Bollinger. Perry Kaufman sugirió reemplazar la variable de peso en la fórmula EMA con una constante basada en el índice de eficiencia (ER) en su libro, New Trading Systems and Methods. Este indicador está diseñado para medir la fuerza de una tendencia, definida dentro de un rango de -1.0 a 1.0. Se calcula con una fórmula simple: ER (cambio de precio total para el período) / (suma de cambios de precios absolutos para cada barra) Considere una acción que tiene un rango de cinco puntos cada día y al final de cinco días ha ganado un Total de 15 puntos. Esto daría lugar a un ER de 0,67 (15 puntos de movimiento ascendente dividido por el total de 25 puntos de rango). Si este stock disminuyera 15 puntos, el ER sería -0.67. El principio de la eficiencia de las tendencias se basa en la cantidad de movimiento direccional (o tendencia) que se obtiene por unidad de movimiento de precios a lo largo de un período de un año. Definido. Un ER de 1,0 indica que la acción está en una tendencia alcista perfecta -1,0 representa una tendencia bajista perfecta. En términos prácticos, los extremos rara vez se alcanzan. Para aplicar este indicador para encontrar el promedio móvil adaptable (AMA), los comerciantes tendrán que calcular el peso con la siguiente fórmula, bastante compleja: C (ER SCF SCS) SCS 2 Donde: SCF es la constante exponencial para el más rápido EMA admisible (generalmente 2) SCS es la constante exponencial para el EMA más lento permitido (a menudo 30) ER es la relación de eficiencia que se anotó anteriormente El valor de C se utiliza entonces en la fórmula EMA en lugar de la variable de peso más simple. Aunque difícil de calcular a mano, el promedio móvil adaptable se incluye como una opción en casi todos los paquetes de software comercial. En la Figura 1 se muestran ejemplos de una media móvil simple (línea roja), una media móvil exponencial (línea azul) y la media móvil adaptativa (línea verde). (Para más información sobre la EMA, consulte Exploración de la media móvil exponencialmente ponderada. Figura 1: El AMA está en verde y muestra el mayor grado de aplanamiento en la acción de alcance que se ve en el lado derecho de este gráfico. En la mayoría de los casos, la media móvil exponencial, mostrada como la línea azul, es la más cercana a la acción del precio. La media móvil simple se muestra como la línea roja. Los tres promedios móviles que se muestran en la figura son todos propensos a los oficios whipsaw en varias ocasiones. Este inconveniente de los promedios móviles ha sido hasta ahora imposible de eliminar. Conclusión Robert Colby probó cientos de herramientas de análisis técnico en The Encyclopedia of Technical Market Indicators. Concluyó, aunque el promedio móvil adaptable es una idea interesante más nueva con considerable atractivo intelectual, nuestras pruebas preliminares no muestran ninguna ventaja práctica real a este método de suavización de tendencia más complejo. Esto no significa que los comerciantes deben ignorar la idea. La AMA podría combinarse con otros indicadores para desarrollar un sistema comercial rentable. (Para obtener más información sobre este tema, lea Descubriendo los canales de Keltner y el oscilador de Chaikin.) El ER puede utilizarse como un indicador de tendencias independiente para detectar las oportunidades comerciales más rentables. Como un ejemplo, las razones por encima de 0,30 indican fuertes subidas y representan compras potenciales. Como alternativa, dado que la volatilidad se mueve en ciclos, las acciones con la menor relación de eficiencia pueden verse como oportunidades de ruptura.