一种多级运动目标检测算法

为了提高Javed等提出的运动目标三级检测算法的稳定性,文中对其处理方法做出改进;在像素级处理阶段,采用每一个像素点及其邻域组成的集合作为特征矢量来描述图像,对YUV格式的彩色图像的不同颜色分量分别建立混合高斯模型,得到背景模型后,计算出Sobel边缘检测得到的边缘点的统计分布;在区域级处理阶段,将彩色图像分割与背景建模结合起来,得到具有精确边缘的运动目标,并利用边缘信息消除干扰目标;实验结果表明,即使在前景纹理、颜色比较一致且与背景对比不是很明显的情况下,改进后的方法也能完整地检测出运动目标.     

融合高斯混合模型和小波变换的运动目标检测

当前景目标与背景在颜色上接近时,仅采用高斯混合模型进行目标检测容易导致误判。为了提高模型分割算法的鲁棒性,提出一种融合高斯混合模型和小波变换的运动目标检测算法。通过小波变换提取图像的纹理特征信息,利用高斯混合模型拟合背景信息。将两者融合起来,把纹理信息作为颜色信息的补偿,保证了模型在线更新背景信息时模型的稳定性和收敛性,同时弥补了目标分割中前景与背景颜色信息接近时容易导致误判的不足。实验结果表明,本文方法比经典高斯混合模型方法具有较高的分割精度。     

基于改进高斯混合模型的实时运动目标检测与跟踪*

为提高运动目标检测与跟踪的可靠性,提出了一种基于改进高斯混合模型的实时运动目标检测与跟踪算法。该算法建立可自动调节分布数目的高斯混合背景模型,通过背景减除获取前景图像;利用目标相邻帧的连续性分割运动目标;在此基础上将传统的颜色直方图模型进行改进,提高目标颜色分布的可信度,进而根据目标的位置、大小和颜色构造运动目标全局匹配相似度函数,实时完成运动目标检测与跟踪。利用大量的监控视频数据进行验证,结果表明,与传统的检测跟踪算法相比,该算法减少了计算量,提高了复杂背景情况下运动目标检测与跟踪的可靠性。     

复杂场景实时目标检测方法

针对含有非平稳背景的复杂场景,提出一种基于空间混合高斯模型的实时目标检测方法.该方法以混合高斯模型作为颜色分布的统计框架,并在空间邻域中利用背景与前景隶属度之间的竞争确定像素的归属,提高了检测准确率;同时通过基于偏差均值的匹配判断和低权重模型的移除提升了混合高斯统计框架的性能,以实时地对运动目标进行准确的检测.实验结果表明,文中方法对非平稳背景有很好的适应能力,在检测准确率和运行效率上均优于其他检测方法.     

基于YCbCr的自适应混合高斯模型背景建模

混合高斯模型是最常用的背景建模方法之一,但是它的精确度是以耗时为代价的,且它在RGB颜色空间进行背景建模时,对噪声的处理效果一般。因此,对混合高斯模型进行改进,提出了一种基于YCbCr的自适应混合高斯模型背景建模方法。首先,将建模颜色空间从RGB转换到YCbCr;然后,采用自适应选择策略来确定混合高斯模型的高斯成分个数;最后,将高斯成分按照关键字的值进行排序,以确定背景模型。将提出的建模方法应用于运动目标检测,实验结果表明,提出的方法与混合高斯模型背景建模相比,运动目标检测的检测结果更准确,耗时更少。     

视频监控中一种完整提取运动目标的检测算法

提出一种视频监控中完整、精确提取运动目标前景的检测算法.首先对彩色图像建立混合高斯模型,由背景差分法得到基本准确的前景图像;然后和对称差分法图像综合,得到完整可靠的运动目标图像;再利用亮度信息消除运动目标阴影;最后利用形态学滤波和连通区域面积检测进行后处理.实验结果表明,该算法检测的运动目标前景信息完整准确,对固定场景下的视频监控系统具有一定实用价值.     

基于混合肤色模型的快速人脸检测算法

提出了一种基于混合肤色模型的复杂背景彩色图像的快速人脸检测算法.为了克服环境光照变化及光照不均的影响,引入了自适应光线补偿算法;在RGB颜色空间中运用多项式模型对光线补偿后的彩色图像进行肤色区域粗检测;采用RGB颜色空间中的多项式模型和颜色空间中的高斯模型相结合,对先前所提取的肤色区域做进一步精确的肤色区域提取;最后,对二值图像的连通区域进行预处理,输出人脸区域.实验结果表明,该算法能快速有效地从复杂背景的彩色图像中检测出人脸,对光照变化具有较好的鲁棒性.     

自适应混合高斯背景模型的改进

对自适应混合高斯背景模型进行了改进，将背景重构和前景消融时间控制机制整合到传统自适应混合高斯背景模型中，以提高运动分割的质量。背景重构算法从含有运动物体的动态场景视频序列中重构静态背景图像，然后用重构的静态背景图像初始化自适应混合高斯背景模型；而前景消融时间控制机制则使运动物体停止时的前景消融时间独立于背景模型的学习速率，从而可以根据需要调节前景消融的持续时间。实验结果表明了算法的有效性。     

一种改进的高斯混合背景模型算法及仿真

高斯混合模型广泛应用于基于背景建模的运动目标检测中,高斯混合模型参数估计和更新算法影响到背景模型的性能.文中对传统的高斯混合背景模型进行了改进,针对背景局部运动、活动阴影等问题,采用混合色彩值抑制阴影,在背景更新中引入一个"前景支撑映射"(Foreground Support Map, FSB),较好地解决了背景模型的提取、更新、背景扰动、外界光照变化等问题.实验结果证明,实验结果验证了该方法的有效性和在复杂背景变化下的鲁棒性.     

HSV自适应混合高斯模型的运动目标检测

在目前的计算机视觉应用中,从视频序列中提取出运动目标是一个研究热点。针对传统方法在复杂多变环境下不能很好地检测出运动目标且运算量较大的问题,根据HSV颜色空间的特点,提出了一种基于HSV颜色空间的自适应混合高斯背景建模和阴影消除的方法。首先,在传统的混合高斯背景建模的基础上,引入了一种新的混合高斯模型高斯成分个数的自适应选择策略以提高建模的效率。其次,根据阴影在HSV向量空间的特点,融入了一种新的阴影消除方法,以检测出带阴影的运动目标。该方法能够快速准确地建立背景模型,准确分割前景目标。与传统的阴影消除方法相比,该方法可以在不需要设置阂值的情况下,对运动目标的阴影进行很好的消除,有很好的鲁棒性和实用性。     

在线高斯混合模型和纹理支持的运动分割

运动分割是基于视频的运动分析中的基本问题．通过颜色和纹理特征的线性组合,实现了一种新的检测运动目标的算法．在线高斯混合模型不仅用于对背景进行更新,而且也用于计算像素颜色差异和颜色权值;纹理特征用于描述局部区域内的结构信息,提高了运动检测算法的鲁棒性．对不同场景的运动分割结果表明,该算法是高效和实用的．     

复杂环境下基于高斯混合模型的目标检测方法

在视频监控系统中,噪声和背景的扰动对于运动物体的检测都会产生显著影响。本文提出了一种改进的基于高斯混合模型的运动目标检测方法。该方法首先根据每个像素点在各高斯模型的时间尺度上的概率来更新权值得到背景图像;然后通过自适应阈值采用背景减除法检测出运动目标。实验表明该方法对于噪声和背景扰动都具有较强的鲁棒性。     

视频信号的能量分析与运动检测

提出一种静止摄像机条件下干扰自适应的运动目标检测方法。将视频中同一像素的像素值的变化看做信号,先计算像素值信号的均值,再计算像素值信号围绕均值波动的能量,最后通过比较波动能量来判断像素点属于前景点或背景点。实验结果表明,与混合高斯模型等常用的运动目标检测算法相比,该方法有更强的干扰自适应性和更高的灵敏度。     

基于混合高斯模型的运动阴影抑制算法

复杂场景的背景建模、运动目标检测、运动目标所投射阴影的检测与抑制在智能监控、机器人视觉、视频会议等领域有着广泛的应用。在运动前景检测阶段，给出了一种改进的混合高斯算法进行场景的背景建模，根据各点像素值出现的混乱程度采取不同的高斯函数参数更新机制，缓解了混合高斯算法计算量大的问题。在运动目标的阴影检测与抑制中，提出了一种基于混合高斯的阴影抑制算法，该算法先利用阴影在HSV颜色空间的特点，判断被检测为运动前景的像素是否为疑似阴影，然后用混合高斯阴影模型对所有疑似阴影值进行聚类，进一步完成阴影抑制。仿真结果表明：该算法可更有效地抑制阴影对运动目标检测的影响，并具有较强的实时性。     

基于改进的混合高斯模型的运动目标检测

针对现有方法在复杂多变环境下不能很好地检测出运动物体的问题,提出了改进的基于混合高斯模型的背景消减法,并对运动目标进行检测。模型初始化时,提出了一种能准确得到实际背景模型的方法;在模型更新中引入了加速因子和合理性反馈使得模型能更快、更准确地反应真实的背景。实验结果表明,同传统检测方法相比,改进的混合高斯模型方法能有效地消除物体发生运动时产生的拖影,并能很好地检测出运动物体。     

混合高斯模型和帧间差分相融合的自适应背景模型

提出了运动目标检测中背景动态建模的一种方法。该方法是在Stauffer等人提出的自适应混合高斯背景模型基础上,为每个像素构建混合高斯背景模型,通过融入帧间差分把每帧中的图像区分为背景区域、背景显露区域和运动物体区域。相对于背景区域,背景显露区中的像素点将以大的更新率更新背景模型,使得长时间停滞物体由背景变成运动前景时,被遮挡的背景显露区被快速恢复。与Stauffer等人提出的方法不同的是,物体运动区不再构建新的高斯分布加入到混合高斯分布模型中,减弱了慢速运动物体对背景的影响。实验结果表明,在有诸多不确定性因素的序列视频中构建的背景有较好的自适应性,能迅速响应实际场景的变化。     

混合高斯模型背景法的一种改进算法

针对混合高斯模型背景法的不足,提出了一种将混合高斯模型背景法与三帧差分法相结合的运动目标检测算法。利用三帧法快速检测出变化区域,提高了算法的灵敏度;引入目标是否存在的判决阈值,减低了算法的运算量;对目标区域和背景区域进行不同的混合高斯背景模型的更新策略,提高了模型的收敛速度。实验结果表明,改进的方法与混合高斯模型背景法相比其处理速度快,效果更好,适用于实时视频监控系统。     

统计建模与对象更新机制相结合的背景减法

基于混合高斯模型（Gaussian Mixture Models,GMM）或码书模型（Codebook,CB）的传统背景建模算法和改进后的G-KDE算法被广泛地运用于运动目标检测中,但是在光照突变、非静止背景和运动目标短暂停留再运动的场景中不能正确地检测出运动目标。针对以上问题,提出了一种从静止摄像机的视频序列中检测运动目标的背景减算法。通过统计像素的经历作为时间序列,利用核密度估计判断背景像素是否受到运动目标干扰,使用K-均值聚类算法的两个连续阶段来确定可靠的背景区域,通过像素更新适应渐进的光照变化,提出一种基于对象的背景更新机制适应突然的光照变化以及非静止背景、鬼影等干扰。对实际摄取的视频进行了仿真实验,结果表明该算法比其他三种方法检测运动目标鲁棒性更好,准确性更高。     

基于贝叶斯决策的运动目标检测方法

传统混合高斯背景建模存在难以解决背景复杂以及阴影等因素影响视频运动目标检测效果的问题,为此提出了一种基于贝叶斯决策的运动目标检测方法。该方法利用帧间差分进行像素变化检测,将像素粗分为变化像素和非变化像素;对于变化像素中的运动点和静止点,通过统计确立有效的数据结构,其中显著颜色分布统计量用来描述静止点,而显著颜色同现统计量描述运动点;从数据结构中提取颜色特征矢量,将特征矢量中的静止点和运动点按照贝叶斯决策规则进一步分类为背景点、前景点和颜色相似点。对颜色相似点进行局部加权处理以达到正确检测的目的;通过融合静止点集、运动点集和加权后的颜色相似点集结果提取出前景运动目标。仿真实验表明,该方法能够在不同复杂背景下较准确地检测出视频中的运动目标,相比传统算法具有较强的鲁棒性。