面向视觉监控的时空数据增强

视觉监控旨在利用固定相机获取的连续图像稳定检测前景物体。近期基于监督学习的深度学习方法相较经典背景减除算法表现出更优性能。然而，在静态前景、动态背景、硬阴影、光照变化、伪装等方面仍有改进空间。此外，多数基于深度学习的方法在类似于训练的环境上表现良好；若测试环境异于训练环境，其性能会下降。因此，需要在那些运行环境上额外训练以保证良好性能。我们此前的工作采用由若干过去图像、背景图像与当前图像组成的时空输入数据，虽仅使用简单 U-NET 结构，却在异于训练的不同环境中展现出有前景的结果。本文中，我们提出一种适用于视觉监控的数据增强技术，利用前述工作所用相同网络实现额外性能提升。深度学习中多数数据增强技术处理用于图像分类与目标检测的空间级数据增强。本文提出一种适用于前述工作的时空维度数据增强新方法。给出了调整背景模型图像与过去图像两种数据增强方法。由此表明，相较于既往研究，可在静态前景与鬼影物体等困难区域提升性能。通过使用 SBI、LASIESTA 及自有数据集的定量与定性评估，我们表明其相较基于深度学习的算法与背景减除算法均具更优性能。