融合像素时空信息的背景建模方法

现有的背景建模方法通常只利用像素的时间或空间信息进行建模,降低了运动目标检测的准确性,针对这一问题提出一种融合像素时空信息的背景建模方法.分别在视频图像序列的时间、空间维度上对像素灰度值进行采样,建立像素的时间和空间背景模型;在检测运动目标的过程中对时间背景模型采用“先进先出”的更新策略,对空间背景模型采用随机的更新策略.实验结果表明,时空背景建模能有效地检测出运动目标,有效减少光线变化和摄像机抖动对检测结果的影响,较好抑制动态背景的干扰.     

基于边缘相似性的背景差鬼影判别方法

背景差视频运动目标检测算法存在的鬼影问题对智能视频监控应用有着严重的影响。通过实验发现鬼影和真实目标的前景差分图像具有不同的边缘相似特性,根据这一特性,定义图像边缘相似性度量函数,提出一种基于边缘相似性的鬼影判别方法。实验结果表明,与传统方法相比,该方法具有速度更快、适应性更好等优点。     

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.     

基于记忆的混合高斯背景建模

混合高斯模型(Gaussian mixture model, GMM)可对存在渐变及重复性运动的场景进行建模, 被认为是最好的背景模型之一. 然而, 它不能解决场景中存在的突变, 如门的打开/关闭等. 为解决此类问题, 受人类认知环境方式的启发, 本文将人类记忆机制引入到背景建模, 提出一种基于记忆的混合高斯模型(Memory-based GMM, MGMM). 每个像素都要经过瞬时记忆、短时记忆和长时记忆三个空间的传输和处理. 本文提出的基于记忆的背景模型能够记住曾经出现的背景, 从而能更快地适应场景的变化.     

基于像素自适应分割背景建模的鬼影去除算法

针对基于像素的自适应分割检测算法在建立背景模型时容易产生鬼影的问题,根据背影视觉提取算法中相邻像素点拥有相近像素值的空间分布特性,将待定的前景像素值与邻域像素值的差值通过加权比较其与自适应阈值的大小,来确定该像素点是前景像素点还是鬼影像素点。若为鬼影像素点则判定为背景像素点,并更新其背景模型。通过对前景像素点的二次判断,达到迅速去除鬼影的目的。实验结果表明,改进后的算法相比于原算法能更快速地去除鬼影。     

基于颜色和边缘方向的图像检索方法

提出了一种新的图像特征表示方法,首先提取图像的底层颜色信息获取颜色特征值 ,通过对图像中物体的边缘检测计算像素点的边缘方向角度值,并对颜色特征值和边缘方向 角度值进行量化。然后根据相邻像素点之间量化结果的数值分析,为每个像素点建立8维特 征向量。再以中心像素点与相邻像素点间不同的位置关系为基础,为每种位置关系赋予不同 的权重,根据像素点的特征向量计算出图像中每一个像素点的特征值。最后统计图像中具有 相同特征值的像素点个数,形成特征直方图,以此作为图像检索的依据。实验表明本文方法 能够有效描述图像的颜色分布和图像中物体的空间结构,更加细致地记录图像信息,进一步 增强图像之间的区分能力。与其他方法相比,本文方法检索效果更好。     

基于边缘颜色分布的图像检索方法

提出了一种新的基于边缘颜色分布的图像检索算法。该算法将不同类型边缘附近的颜色分布作为刻画图像内容的主要特征,设计了一种紧凑的2D边缘颜色直方图来对图像的边缘颜色分布特征进行描述，既利用了局部颜色特征，又考虑了不同类型边缘的空间分布信息，克服了传统颜色直方图不能反映空间信息的缺陷。实验结果表明，该算法与其他同类方法相比，有效地提高了检索性能。     

一种改进的运动目标检测方法

为了克服传统背景差分法所存在的不足,提出了一种基于边缘特征和改进K-均值聚类相结合运动目标检测方法。运用改进的K-均值聚类方法建立背景模型,将其与前景图像相差后得到的二值化图像,通过前景边缘信息的鲁棒性来判别及去除存在的虚假目标。实验结果表明,该方法可以有效去除背景中突然有物体移入或移出引起的虚假运动目标,提高了运动目标检测的准确性。     

交通场景中基于彩色视觉信息统计的背景建模

研究分析目前主流的背景建模方法,并针对动态交通场景中车辆目标持续运动,背景出现的概率较大的特点,提出一种基于彩色视觉信息统计的背景建模算法。实验结果表明,该算法可以较好地提取背景,并有效区分前景和背景。     

交通场景中基于彩色视觉信息统计的背景建模

研究分析目前主流的背景建模方法,并针对动态交通场景中车辆目标持续运动．背景出现的概率较大的特点,提出一种基于彩色视觉信息统计的背景建模算法。实验结果表明．该算法可以较好地提取背景,并有效区分前景和背景。     

基于背景差法的几种背景建模方法的研究

目前最常用也最有效的运动目标检测方法是背景差法,其中背景提取是背景差法的核心。主要比较了均值滤波法、中值滤波法、混合高斯分布法三种常用的背景建模的方法,说明了各算法在不同情况下的性能优劣。通过实验发现,均值滤波法和中值滤波法适合特定的场合,混合高斯法在场景复杂的情况下效果更好。     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背景模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验,比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背蒂模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验．比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。     

结合强度和边界信息的非参数前景/背景分割方法

提出一种非参数前景背景分割方法.在将图像的强度信息与边界信息进行融合、提高运动目标检测的鲁棒性的同时,针对图像阴影区域的特性,通过阴影模型能够有效地检测阴影区域.实验结果表明该方法具有一定的实用性.     

一种改进的基于背景差分的运动目标检测方法

文中在介绍运动检测方法的基础上,阐述了背景差分运动检测算法的优缺点。文章为实现高效的运动检测目的,提出了改进的基于背景差分的检测方法,体现在改进的基于帧间差分实现的背景建模算法以及改进的自适应背景更新算法,综合实现了基于背景差分的运动目标检测。针对背景差分受环境约束较大的缺点,改进措施能够很好地完成效果较理想的运动检测。实验结果表明,使用文中改进的背景差分进行运动目标检测,能够趋近于得到真实的没有运动目标的背景,其次实现了背景能够很好地自适应更新以适应环境的变化,使得最终的运动目标检测取得了良好的实验效果。     

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。     

基于小波边缘提取的混合运动目标检测算法

常用的运动目标检测算法易受到噪声、阴影等因素的影响,检测出来的运动目标边缘比较模糊,本文因此提出 一种基于小波边缘提取的运动目标检测算法,将小波边缘检测与帧间差分法和背景差分法相结合来检测运动目标,采用 形态学滤波和连通性分析得到准确的运动目标。实验表明,该算法可以准确的将运动目标从视频图像序列中检测出来。     

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。