《表1 不同算法的性能比较》
式中,XTP为检测结果中正确的前景像素点个数,XTN为检测结果中正确的背景像素点个数,XFP为检测结果中原本是背景像素点而被误检为前景像素点的个数,XFN为检测结果中原本是前景像素点但被误检为背景像素点的个数。其中精度XPrecision、召回率XRecall和综合指标XFM越大,表示算法性能越好;漏检率XFNR和错分率XPWC越小,表示图像中每个像素点根据该算法所贴的标签越吻合实际所属的类别。上述五种算法总体性能结果如表1所示,可以发现,本算法相比GMM算法、ViBe算法和文献[7]和文献[8]改进的ViBe算法,精度分别提高了20.81%、14.57%、5.70%、1.09%;召回率分别提高了19.12%、10.89%、6.10%、2.05%;漏检率分别降低了52.06%、43.50%、16.56%、7.75%;错分率分别降低了47.95%、43.16%、28.80%、0.38%;综合评价指标FM分别提高了25.82%、21.51%、4.83%、2.49%。这表明本算法在处理动态背景的视频序列中处理效果要优于其他四种算法。
图表编号 | XD00188279900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.25 |
作者 | 何立风、刘艳玲、钟岩、姚斌 |
绘制单位 | 陕西科技大学电子信息与人工智能学院、日本爱知县立大学信息科学学院、陕西科技大学电子信息与人工智能学院、陕西科技大学电子信息与人工智能学院、陕西科技大学电子信息与人工智能学院 |
更多格式 | 高清、无水印(增值服务) |