适应场景光照变化的运动目标检测算法

背景减除法是运动目标检测的常用方法,其性能取决于所使用的背景模型.文中针对混合高斯模型不能应对光线突变的问题,提出了一种改进的背景模型.首先选择了新的模型参数,并对模型的更新机制进行了改进,使用了固定的学习率且对方差的更新加入了自适应的更新因子,使其可以适应局部的快速光照变化;其次对模型加入了帧间处理使其可以适应全局的快速光照变化.实验表明,改进的方法能适应各种条件下的光照变化,提高了运动目标检测的精确度.     

混合高斯模型结合五帧差分的运动目标检测

在复杂背景下,光照变化、目标短暂遮挡以及背景运动等因素会导致运动目标检测精度较低.提出一种结合改进混合高斯模型和改进五帧差分的运动目标检测算法,首先在混合高斯模型中加入自适应学习率以及背景学习速率更新策略有效解决传统背景更新速率恒定而出现的残影现象;然后利用改进的五帧差分法克服运动目标短暂遮挡问题,并加入光照阈值判别因素,有效减弱光照变化带来的影响;最后对两者结果进行或运算进而得到最终检测结果.实验结果表明,该融合算法在复杂环境下具有一定的抗干扰能力,运动目标检测精度较高.     

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。     

复杂场景下的实时运动目标检测

提出一种改进的混合高斯模型算法对复杂场景中的运动目标进行实时检测.该算法首先在模型更新过程中提出一种相似模型调整策略,通过对模型值接近的模型的均值、权值、学习速率等进行自动调整,从而使算法更快地适应光照变化;然后基于尺度不变性局部三值模式纹理特征对检测结果进行校验,以快速有效地消除运动目标的阴影和光照渐变及突变的影响;最后设计一种图像尺度变换方法以提高算法的实时性.与现有算法相比,本文提出的方法能更好地在复杂背景中稳定检测运动目标,同时显著提高目标检测的效率.试验结果验证了本算法的有效性.     

复杂背景下运动目标的改进实时检测算法

针对复杂背景下运动目标检测难度大、算法实时性差的问题,提出了一种改进的运动目标实时检测算法.融合背景差分、帧间差分和边缘检测的信息,划定目标区域提取完整的目标轮廓.针对图像光照突变的问题,改进了运行期均值背景更新策略,在背景更新时同步更新前景分割阈值.使用复杂背景下毛细管粘度计液位检测视频验证算法证明,边缘融合方法和实时阈值更新的背景更新算法能够克服背景复杂、光照变化、运动干扰等带来的影响,提高运动目标检测精度,实现实时检测.     

基于码本和运行期均值法的双层背景建模方法

背景建模是视频处理的重要部分,是后续运动目标检测、识别和跟踪的基础。针对现有的背景建模方法无法兼顾抗干扰性、适应光照、背景更新速度和遮挡等问题,提出结合码本和运行期均值法对视频进行双层背景建模的方法。首先在第一层提取亮度和颜色特征,使用聚类的方法进行码本建模,接着在第二层建立运行期均值法模型,通过两种背景模型的有效结合快速准确地实现运动目标分割。实验结果表明,该背景建模方法计算简单、背景更新快、抗噪声能力强并且能较好地适应光照变化,适应于复杂环境下的目标检测。     

一种自适应学习的混合高斯模型视频目标检测算法

为解决背景模型的更新问题,提高视频运动目标检测性能,通过定义像素样本对模型更新的有效因子,提出一种自适应学习的混合高斯模型检测算法。用样本有效因子的历史累加量反映背景模型的质量,并用于动态调整模型更新速度。同时,对检测出的前景区域进行目标分析,由分析结果间接控制模型更新,保证更新的准确性和模型的稳定性。实验结果表明,该算法可以快速适应背景变化,同时保证目标检测的完整性。算法性能已在不同监控场景中得到验证。     

基于自适应分类样本更新的运动目标检测

背景差分法是一种被广泛应用的前景检测方法,其关键部分在于背景图像的获取。算法提出一种通过分类样本模拟运动背景动态特征的背景模型,综合考虑多维度的背景像素点的变化信息,使算法保持样本更新的随机性,增加样本更新的目的性,同时使用自适应的更新策略来适应背景更新的快慢,快速获取真实的背景,达到最真实的目标检测效果。实验结果表明,提出的策略能够更好地处理动态背景更新时的目标检测,能快速准确地检测出运动目标,对噪声干扰具有很强的鲁棒性。     

基于改进高斯混合模型的运动目标检测方法

传统高斯混合模型(GMM)对于光照突变十分敏感,且收敛速度较慢。为此,提出一种基于改进GMM的运动目标检测方法。利用不匹配像素消除光照影响,使用改进的GMM提取背景图像。通过差分当前帧与背景图像获得二值差分图像,从该差分图像中获取运动目标。实验结果表明,该方法能适应光照变化,提高检测的准确性和鲁棒性。     

基于统计背景模型的运动目标检测方法

运动目标检测是计算机视觉、视频处理等应用领域的重要研究内容。其中减背景技术是一种常用方法。在减背景方法中，背景模型的提取、更新、背景扰动、外界光照条件变化、阴影检测等是必须要考虑的问题。提出了一种有效的运动目标检测方法，较好地解决了以上问题，首先利用统计的方法得到背景模型，并实时地对背景模型更新．以适应光线变化和场景本身的变化，用形态学方法和检测连通域面积进行后处理，消除噪声和背景扰动带来的影响，在HSV色度空间下检测阴影，得到准确的运动目标。实验结果表明，该方法是快速有效的。     

基于改进背景减法的视频图像运动目标检测

为解决传统背景减法在动态背景下受噪声干扰和运动目标检测准确性不高的问题,提出一种基于改进背景减法的视频图像运动目标检测方法。在背景建模阶段,为易于计算和提高检测精度,采用基于GMM的图像块均值方法重构背景模型;在目标检测阶段,采用数学形态学和小波半软阈值函数相结合的方法对检测到的运动目标进行去噪处理;在背景更新阶段,采用自适应背景更新方法进行背景更新。实验结果表明,所提方法提高了运动目标检测的准确性,验证了其有效性。     

基于张量核范数与3D全变分的背景减除

针对常用背景减除方法忽略前景时空连续性的问题,以及动态背景对前景提取的干扰问题,基于张量鲁棒主成分分析（TRPCA）提出了一种改进的背景减除模型。该模型利用改进的张量核范数对背景进行约束,加强了背景的低秩性,保留了视频的空间信息;然后用3D全变分（3D-TV）对前景进行正则化约束,考虑了目标在时空上的连续性,有效地抑制了动态背景和目标移动对前景提取造成的干扰。实验结果表明,所提算法能有效地分离视频中的前景和背景,且与高阶鲁棒主成分分析（HoRPCA）、带有新核范数的张量鲁棒主成分分析（TRPCA-TNN）和基于克罗内克基的鲁棒主成分分析（KBR-RPCA）等方法相比,综合评判指标F-measure值均处于最优或次优状态。由此可见,所提算法有效地提高了前景背景分离的准确度,抑制了复杂天气和目标移动对前景提取的干扰。     

基于张量核范数与3D全变分的背景减除

针对常用背景减除方法忽略前景时空连续性的问题，以及动态背景对前景提取的干扰问题，基于张量鲁棒主成分分析（TRPCA）提出了一种改进的背景减除模型。该模型利用改进的张量核范数对背景进行约束，加强了背景的低秩性，保留了视频的空间信息；然后用3D全变分（3D-TV）对前景进行正则化约束，考虑了目标在时空上的连续性，有效地抑制了动态背景和目标移动对前景提取造成的干扰。实验结果表明，所提算法能有效地分离视频中的前景和背景，且与高阶鲁棒主成分分析（HoRPCA）、带有新核范数的张量鲁棒主成分分析（TRPCA-TNN）和基于克罗内克基的鲁棒主成分分析（KBR-RPCA）等方法相比，综合评判指标F-measure值均处于最优或次优状态。由此可见，所提算法有效地提高了前景背景分离的准确度，抑制了复杂天气和目标移动对前景提取的干扰。     

一种改进的自适应阈值前景提取方法*

为了尽可能完整地提取前景,针对视频处理中提取的前景区域出现断层导致单个目标出现分裂的问题,提出了一种改进的自适应阈值前景提取方法.该方法是在非模型法产生背景模型的基础上,通过背景差法获取差分图像,利用环境噪声的相对稳定性,建立一张环境噪声分布图,进而滤除差分图像中存在的环境噪点,自适应求取分割阈值,进行图像二值化处理获取前景区域.实验结果表明,该方法能明显改进前景提取效果,最大化提取目标的完整性.     

基于单高斯背景模型运动目标检测方法的改进

针对背景减除法应用于运动目标检测中的背景模型更新和阴影消除问题,提出了一种改进的单高斯背景模型估计算法和快速的阴影消除方法。实验结果表明,算法在有效去除阴影的同时能够较好地提取运动目标,为后续的人体识别、行为分析等工作奠定了良好的基础。     

交通视频监控系统中车辆阴影的去除方法

针对智能交通系统(ITS)中车辆阴影带来的车辆误提取造成系统可靠性差,且检测算法无法满足实时性的问题,提出一种改进的基于HSV色彩模型与背景差分法的车辆阴影检测与去除方法.通过分析HSV色彩模型,改善亮度分量的参数选取,利用阴影与车辆和背景的亮度差检测目标车辆的阴影;结合背景差分法去除阴影.实验结果表明,该方法可以较准...     

一种改进的帧差和背景减相结合的运动检测方法

针对帧差和背景减相结合的运动检测方法存在的不足,进行了以下3个方面的改进：①利用灰度拉伸变换和结合了灰度值信息的邻域相关系数计算方法,解决了背景的误判问题;②通过在帧差和背景减相结合的策略中加入运动分析,解决了缓慢运动目标的漏检问题;③采用运行期更新法更新背景模型,避免了复杂场景下背景模型的退化。实验结果表明,改进后的方法显著改善了帧差和背景减相结合的运动检测方法在背景误判、缓慢运动目标漏检以及背景模型退化等方面存在的问题。     

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。     

一种新的基于统计的背景减除方法

提出了一种有效的彩色视频背景减除的新方法。首先对彩色视频采样得到图像序列,统计序列中各像素的RGB值并归类,用出现概率最高类的RGB均值来构建背景模型;然后根据颜色差异和亮度范围综合条件,结合形态学处理进行背景减除。实验结果表明,此法可以很好地克服灰度视频背景减除中很难识别与背景灰度相近目标的缺陷,同时比传统的彩色视频背景建模快速,且样本中允许运动目标存在。对背景减除的准确性和实时性有一定程度地改进。该文还针对光照和背景变化提出了一些有效的背景更新策略。     

基于混合高斯模型的运动目标检测算法

针对智能交通系统中运动目标检测阶段存在的不足,提出了一种基于自适应混合高斯模型(GMM)的改进算法。将隔帧差分的方法引入背景建模的初始判别阶段,从而迅速地检测出运动变化区域,提高了算法的灵敏度,同时也增强了对缓慢运行车辆的检测的适用性;将划分出的背景及运动区域赋予不同的更新率,使得背景显露区域得到迅速恢复,消去了运动车辆留下的"影子"。在此较为精确的背景模型下,结合灰度和canny边缘特征进行背景差分,有效地保留了与背景灰度相似的运动目标的轮廓。通过实验证明该检测算法取得了较好的效果。