空间约束混合高斯运动目标检测

目的 针对传统混合高斯模型前景检测运算量过大问题,提出一种基于空间约束的混合高斯前景检测算法。方法 通过快速初始化缩短模型的初始建立过程;采用双重背景模型机制,以自适应背景减法的前景检测结果作为混合高斯前景检测的空间约束条件,降低模型在背景区域的冗余运算;运用多策略自适应模型更新,提高前景检测的准确性。结果 在各种测试场景下,与传统混合高斯法、CodeBook、GMG、偏差均值混合高斯模型(MODGMM)等算法相比,该算法具有更好的准确率以及4倍以上的处理速度。结论 在固定相机场景下的运动目标检测中,算法能有效提高传统混合高斯法的准确性且具有极高的实时性。     

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。     

基于时空分布的混合高斯背景建模改进方法

针对传统的混合高斯模型对动态背景敏感、缓变目标检测不准确等问题,提出了一种基于时空分布的混合高斯建模改进方法。该方法的基本思想是混合高斯背景基于时间分布信息建模的同时,通过随机数生成方法对邻域进行采样,完成像素空间分布的背景建模;同时利用像素历史统计信息和决策融合机制的前景检测方法,实现对静止目标判定以及前景运动目标更精确的提取。最后,将此算法与其他前景检测方法进行对比实验,表明了该算法对动态背景鲁棒性强、缓变目标检测准确的结论。     

认知无线电中非高斯噪声下主用户信号的协作检测方法

本文研究了非高斯噪声情况下主用户的频谱检测问题,采用混合高斯模型拟合了非高斯噪声背景,并采用矩估计方法对混合高斯模型的混合系数等参数进行了估计。在此基础上,将混合高斯Rao检测方法应用于主用户的频谱检测,推导了混合高斯Rao检测的检测统计量和检测性能公式,分析比较了混合高斯Rao检测与高斯Rao检测的性能。此外,建立了多用户协作的检测模型并推导了基于改进的OR准则的协作检测性能公式。通过理论分析和蒙特卡罗仿真说明了在虚警概率一定的情况下,基于混合高斯Rao检测的方法能有效地提高非高斯噪声下主用户的检测性能。     

基于自适应混合高斯模型的时空背景建模

提出了一种基于自适应混合髙斯模型的时空背景建模方法, 有效地融合了像素在时空域上的分布信息, 改善了传统的混合髙斯背景建模方法对非平稳场景较为敏感的缺点. 首先利用混合髙斯模型学习每个像素在时间域上的分布, 构造了基于像素的时间域背景模型, 在此基础上, 通过非参数密度估计方法统计每个像素邻域内表示背景的髙斯成分在空间上的分布, 构造了基于像素的空间域背景模型; 在决策层融合了基于时空背景模型的背景减除结果. 为了提高本文时空背景建模的效率, 提出了一种新的混合高斯模型髙斯成分个数的自适应选择策略, 并利用积分图实现了空间域背景模型的快速计算. 通过在不同的场景下与多个背景建模方法比较, 实验结果验证了本文算法的有效性.     

基于模型切换的自适应背景建模方法

提出了一种基于模型切换的背景建模方法 (MSBM). 该方法以熵图像为纽带, 实现了不同精细程度的背景模型在空间上的自适应选取和在时间上的自适应切换. 对于亮度分布复杂度高的背景区域采用精细的模型以保证运动目标检测的精度, 反之采用简单的模型以降低计算量. 通过模型结构自适应结合参数自适应, 很好地兼顾了检测精度和计算代价. 基于高斯混合模型和时间平均模型的双模型切换式运动目标检测算法被用于实验研究, 结果表明这种算法的检测效果和单独采用高斯混合模型的检测效果相当, 而计算速度却比后者提高很多.     

高斯混合模型结合加权似然的目标跟踪算法

鉴于高斯混合模型对背景变化快时无法精确检测出目标和目标跟踪的适应性差等瑕疵，提出了基于加权似然跟踪器来改进高斯混合模型实现运动目标跟踪算法。主要引入了自适应高斯混合模型来实时检测运动目标，然后空间加权似然来进行视频中的目标定位，引入加权似然期望值来改进高斯混合模型处理视频中的多尺度、多角度变化的目标跟踪不精准问题。通过VOT 2014 dataset对比实验结果表明提出的基于加权似然跟踪（Weighted Likelihood Tracking，WLT）和改进高斯混合模型（Improved Gaussian Mixture Model，IGMM）的目标跟踪算法较传统高斯混合模型跟踪算法在跟踪的精度有较大提高。在应对多尺度、多角度变化的目标跟踪表现出了较大的优势。     

基于视频图像的运动目标检测和阴影去除

智能视觉监控系统应用潜力巨大,其中的运动目标检测和阴影去除还有很多问题需要解决。采用基于混合高斯模型背景分离法进行运动目标检测,采用基于统计非参数化理论的方法对目标阴影进行去除。实验结果表明,这种方法可以有效地检测出运动目标和消除阴影。     

基于DM642的运动目标检测

提出了一种高斯混合背景模型和YUV色度空间相结合的运动目标检测算法。高斯混合模型对背景光线变化有较强的鲁棒性,且对背景中的周期性变化有较好的抑制作用,检测出的目标有较好的连通性;但其对于全局亮度的变化及噪声较为敏感,容易误判。为此选取对亮度变化不敏感的UV分量来进行运动目标检测,然后再和Y分量的高斯混合背景检测进行"与"运算,从而消除高斯模型的误检,最后针对运动目标的影子问题,采用基于垂直投影图的阴影消除算法除去影子。算法在DM642开发板上实现。实验结果表明,该算法能够实时精确地检测出运动目标,且对全局光照变化不敏感。     

基于OpenCV的视频运动目标检测及其应用研究

高斯混合模型已经成为对视频利用背景减除法进行运动目标检测的最多的一种背景建模模型,也成为一种标准模型。首先对高斯混合模型的理论框架进行了分析,然后采用OpenCV技术实现高斯混合模型来检测视频运动目标,实验结果表明高斯混合模型对摄像头静止的道路监控视频运动目标检测具有较好的效果。最后以该运动目标检测技术为基础设计了一种智能视频监控系统,该系统具有较好的实用性。     

基于混合高斯模型的新型目标检测系统

针对传统混合高斯模型计算量过大及其在非平稳背景下存在的问题,提出一种新型运动目标检测系统。该系统引入模型等权重初始化策略,改善了视频检测初始阶段的效果;通过基于线性均差的模型匹配方法,减少了对方差的运算次数,有效减少了模型的计算量;加入干扰信息处理模块,以增强模型在复杂背景下的生存能力。经实验验证,新型系统准确检测出了视频初始阶段的多运动目标,可使进入场景后停留的目标快速融入背景,并能有效克服非平稳背景的扰动。实验结果表明该系统相比经典模型,准确性和鲁棒性均有明显改善。     

改进混合高斯模型的运动目标检测算法

针对传统的混合高斯模型存在无法完整检测运动目标、易将背景显露区检测为前景等问题,提出了一种基于混合高斯模型的运动目标检测的改进算法。通过将混合高斯模型与改进帧差法进行融合,快速区分出背景显露区和运动目标区,从而提取出完整的运动目标。在运动目标由静止缓慢转为运动的情况下,为背景显露区给予较大背景更新速率,消除了背景显露区对运动目标检测的影响。在兼顾混合高斯模型在复杂场景中对噪声处理效果差的基础上,利用背景模型替换的方法来提高算法的稳定性。经过反复实验,结果表明改进后的算法在自适应性、正确率、实时性、实用性等方面有了很大的改进,能够在各种复杂因素存在的情况下正确有效地对运动目标进行检测。     

改进的基于混合高斯模型的运动目标检测算法

针对传统混合高斯模型检测运动目标中存在的不足,提出了一种改进的基于混合高斯模型的运动目标检测算法。将改进的混合高斯模型与四帧差分相结合,有效地解决了突变光照的影响并消除了传统帧差法检测目标时容易出现的双影现象,改进的混合高斯模型自适应地调整了高斯模型的分布数量,提高了背景的描述精度。分情况讨论了物体的运动状态并分别设置不同的学习率,改善了对运动缓慢目标的检测效果。实验结果表明结合后的算法能对运动目标进行准确检测,对复杂场景有较好的适应性。     

一种改进的基于混合高斯模型的运动目标检测算法

运动目标检测是实现目标跟踪和行为分析等任务的基础。在运动目标检测中,消除背景与噪声的干扰,从而将运动目标从图像中分离出来一直是研究的重点。混合高斯模型法被广泛地应用于运动目标检测,对存在小幅度运动的背景有较好的抗干扰能力,并且能提取出较完整的运动目标,但是同时存在噪声干扰,且对阴影抑制效果较差。针对传统混合高斯模型法的不足,提出一种改进的基于混合高斯模型的运动目标检测算法,利用帧差法对光照突变适应性较好和算法简单的特点,将传统混合高斯模型法与和四帧差法结合。实验结果表明,该方法能够有效地消除复杂环境中的噪声,并对阴影有一定的抑制作用,提高了运动目标检测的准确性和完整性。     

基于自适应学习率的背景建模方法

针对高斯混合模型中均值和方差的学习,提出基于自适应学习率的背景建模方法。统计每个像素模型被匹配的次数,在线更新学习率。在初始化背景时,分配一个全局的学习率,采用传统高斯混合模型的学习方式;在更新背景时,为每个像素分配一个学习率,采用自适应的学习方式。实验结果表明,该方法与传统高斯混合背景模型相比,有较好的学习能力与稳定性,能提高运动目标检测的正确率。     

基于改进混合高斯模型与阴影去除的目标检测

随着计算机视觉和摄像设备的日益普及,目标检测技术已经成为一个重要的研究领域。虽然提出了几种目标检测方法,但由于其适用性与局限性,并不能解决实际复杂场景中的各种挑战。针对传统混合高斯模型对动态背景、光照变化和阴影敏感等问题,提出一种混合高斯模型的改进算法,用于视频中目标检测。该方法首先通过传统混合高斯模型获取当前帧目标的粗略区域;通过将双级学习率和组合权重引入混合高斯模型,从而区分出运动区域与包含动态背景的背景区域;然后进一步利用基于颜色特性与空间连续性的方法去除阴影;最后通过形态学处理提取出准确的运动目标区域。对比实验表明,所提方法不仅能够有效去除动态背景,而且能够有效抑制阴影和光照变化的影响。     

混合高斯模型的自适应前景提取

复杂场景下的运动前景提取是计算机视觉研究领域的研究重点。为解决复杂场景中的前景目标提取问题,本文提出一种应用于复杂变化场景中的基于混合高斯模型的自适应前景提取方法。本方法可以对视频帧中每个像素的高斯分布数进行动态控制,并且通过在线EM算法对高斯分布的各参数进行学习,此外每个像素的权值更新速率可根据策略进行调整。实验结果表明本方法对复杂变化场景具有较好的适应性,可有效、快速地提取前景目标,提取结果具有较好的查准率和查全率。     

一种基于多层背景模型的前景检测算法

动态场景中的前景检测是后继处理的基础和制约整个智能视频监控系统稳定性、可靠性的关键。为了在保证运动目标检测的基础上,进一步检测出前景中的静止目标并消除"鬼影(Ghost)",提出了一种基于多层背景模型的前景检测算法。该算法将背景分为参考背景和动态背景两层,分别采用单高斯和混合高斯模型进行背景建模。在线检测时,采用动态背景提取变化前景,用动态背景与参考背景之间高斯分布的差异提取静止前景,同时,通过逐层分析,比较输入像素与两层背景模型分布的相互关系,快速消除Ghost,降低虚警。实验结果表明,多层背景模型具有良好的检测性能和实时性,为后继跟踪、分类等处理提供了坚实的基础。目前,以该算法为核心构建了一个实时目标检测、跟踪系统,对图像大小为320×240的视频序列的平均处理速度达到15帧/s。