帧间差分与码书模型相融合的运动目标检测算法

针对视频检测对实时性和准确性的要求,提出了将帧间差分与码书模型相融合的运动目标检测算法.首先,选取某个t时间内采集到的视频图像作为训练图像,对图像的每一个像素点建立码书模型.把码书模型中表示前景的码书去除,余下的作为背景模型用于检测.检测运动目标时,先将待检测的相邻帧图像进行帧间差分,得到变化区域和没有变化的区域,将有变化的区域与背景模型进行拟合,区分出前一帧运动区域和目标运动区域.更新背景模型时以不同的更新方法对前一帧运动区域和目标运动区域进行更新.     

超像素特征的运动目标检测算法

在像素级的背景建模方法中,由于其反映的只是时间上的连续性,没有考虑到空间上的相关性,所以会导致检测目标不完整,或检测目标呈碎片化的结果,不利于后续的识别或跟踪.为此,本文首先针对ViBe算法对于动态背景不鲁棒的问题进行了改进,利用样本集的标准差作为动态背景度量值,实时更新距离阈值和背景模型更新率,达到对动态背景的鲁棒性;同时引入了超像素特征,提出了基于超像素特征的运动目标检测算法.由于超像素分割具有较好的边缘信息同时超像素数目可控,所以根据SLIC0超像素分割算法提取超像素特征,将超像素块中的像素均值作为超像素特征值,并引入到改进的ViBe算法框架中;由于超像素分割的数目并不是固定不变的,所以本文使用初始种子点位置的超像素特征构建背景模型并进行运动目标的检测.实验表明,该方法检测结果具有良好的目标边缘信息并可以有效抑制动态背景的干扰.     

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。     

动态阈值的Vibe运动目标检测

Vibe算法是一种高效的像素级背景建模算法,但是它同混合高斯模型一样,不能适应光线突变的问题,在对Vibe算法的基础上提出了一种在静态场景下对光照变化鲁棒的运动目标检测方法。该方法首先利用Vibe模型建立背景样本集,并利用Vibe模型对判别为背景的像素对背景帧进行更新。其次视频当前图像帧与背景帧差分,并采用Otsu算法计算图像的分割阈值来检测运动目标。实验结果表明,改进的方法能够很好地消除由于环境光照变化引起的“曝光”现象,提高了运动目标检测的精确度,并且改进的算法对室内场景下的阴影也有较好的抑制作用。     

基于ViBe的复杂背景下的运动目标检测

ViBe算法简单、快速,具有较好的前景检测性能,是运动目标检测和背景建模的主要方法之一。但是在动态背景、相机抖动等户外视频中仍存在噪声和干扰等问题,导致对前景运动目标的检测不准确。针对此问题,提出用像素帧差值代替像素值来初始化背景样本模型的方法,并根据背景动态变化自适应更新阈值来分割前景与背景。实验结果表明,改进算法提高了前景检测的准确性,对噪声干扰表现出了良好的鲁棒性。     

一种基于块的校正码书模型*

针对运动物体检测研究的难点之一——复杂动态背景,提出一种新的基于块的校正码书模型。该模型利用HSV空间基于像素块建立校正码书, 它具有四个方面的特色：a）引入HSV颜色空间提高了前后景的区分度;b）利用像素块构造码书以克服动态背景对单个像素的影响;c）引入反馈校正机制实现自适应的码书更新,减小伪目标的生成;d）实施码书的小样本学习方法,以提高检测速度。提出测量检测效率的覆盖率—正确率曲线定性评价方法。包含该评价方法的定性和定量实验表明,本模型可以高效快速地检测出复杂动态背景下的运动物体。     

基于自适应时空码书的粒子滤波多目标跟踪

提出一种基于自适应时空码书检测模型的粒子滤波多目标跟踪算法。使用时空码书模型进行前景背景分割,检测出前景目标,在该模型上加入目标自适应过程。将自适应时空码书检测的结果作为粒子滤波跟踪算法的初始目标状态,通过关联算法和粒子滤波实现多目标跟踪。自适应时空码书模型能明显降低对前景目标的误检率,抑制噪声干扰。实验结果表明,该算法能够在有干扰的复杂背景下实现对运动多目标的快速捕获,并有效提高跟踪的可靠性和精度。     

基于层次HMM的运动目标分割

提出对差分图像用三层统计模型表示的思想：前景运动汽车层、背景运动汽车层和运动阴影层,并分别建立了各层的统计模型,应用HMM对运动图像序列进行模型参数估计,通过模型进行运动汽车分割。HMM利用图像序列帧之间的图像像素空间相关性和时间相关性,从而完成模型参数的识别。通过MAP算法完成模型参数具体化,不但用模型完成图像前景目标的分割,同时在分割中自然区别了背景运动目标和阴影,实现了复杂背景图像的运动汽车分割。实验结果表明方法能够有效地完成分割目的。     

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．     

混合高斯模型和差分法相融合的运动目标检测

提出运动目标检测中背景动态建模和OTSU局部递归分割的一种方法,该方法在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,通过帧间差分把每帧中的图像区分为背景区域和运动区域,背景区域中像素点将以特定的更新率更新背景模型,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.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.