一种有效的动态背景更新方法

该文提出了一种将帧间差分与二次背景减除相结合的动态背景更新方法。通过结合帧间差分法和初始背景减除法得到有效的运动区域,随后将当前图像和当前背景减除得到运动目标,接着将两者结果相对比,分离出当前图像中的背景区域和前景区域,背景区域用来构造和更新背景模型。该方法主要解决了运动过程中背景更新一般很难快速完成对原来运动的物体突然静止的背景更新问题,同时简化了背景模型,增加了运动检测的敏感性和实时性。     

基于GMM的人体运动姿态的追踪与识别

随着人工智能等技术的兴起,利用机器视觉对视频中运动目标进行追踪与识别在工业、交通、医疗和运动训练等领域都得到应用.对视频中人体运动姿态进行准确快速的检测,是目前一个热门的研究方向.本文采用改进的混合高斯背景模型(GMM)算法对视频每帧图像进行前景提取,通过帧间差分法分析得出不同差值对应的学习率,从而实现对背景模型更准确的更新,进而得到一个精确的二值化的前景图像;并将生成二值图像由更新后的像素与高斯B均值比较,得到背景或前景图像;再对处理后视频图像进行比对,利用Shi-tomasi算法提取图像特征点并进行追踪,获取运动目标轮廓并绘制出边缘,经过SVM训练实现对走、跳、跑3种人体运动姿态的实时追踪和识别.     

基于帧间差分自适应法的车辆抛洒物检测

高速公路抛洒物事件容易引发交通事故,造成不良影响。为了实现对高速公路抛洒物的检测,提出了帧间差分自适应法。该方法是基于连续帧间差分法和均值法背景减除的运动目标检测算法。首先,对图像进行包括灰度转换、图像降噪以及图像增强等预处理。然后,对连续的序列图像进行累计差分,对得到的差值图像进行求和运算并求平均,并对得到的图像通过选择合适的阈值T进行二值化;使用均值法进行背景建模,将当前帧与所得的背景模型进行差分运算并进行二值化处理。最后将用连续帧间差分法得到的二值图像与基于均值法的背景减除得到的二值图像进行逻辑"与"运算,并对逻辑运算后的结果进行数学形态学膨胀处理得到最终的运动目标检测结果。实验结果表明,该方法可在一定程度上克服传统的帧间差分法和均值背景减除法的缺点,更加完整准确地提取出前景运动目标。     

一种视频序列中运动目标检测算法

在现有方法的基础上,提出了一种基于Otsu动态阈值背景差法和三帧差法相结合的运动日标检测方法.首先通过改进的Surendra算法建立背景模型,并由Otsu动态阈值背景差分法得到二值图像,然后与三帧差分法结合,得到可靠的运动目标区域并进行背景实时更新.实验结果表明该方法满足视频序列运动目标检测的实时性和准确性要求.     

基于改进的三帧差和卡尔曼滤波的车辆检测方法

针对卡尔曼滤波方法在车辆检测中存在背景更新参数固定、背景建模实时性较差的问题,提出了三帧差法与自适应卡尔曼滤波算法相结合的运动车辆检测方法.先采用三帧差法快速提取车辆运动区域,再采用高斯分布确定背景更新参数,同时更新背景模型,最后将两者得到的图像相减得到最终检测结果.实验结果表明,该算法的背景更新速度较快,运动目标提取效果较好.     

以扫描线为单位的背景提取与更新算法研究

基于背景差分法的视频车辆监控系统实时性与准确性的设计要求,提出了一种新的背景提取与更新算法.该算法以扫描线为单位进行运算处理,简单易行.在背景提取和背景更新阶段,分别利用帧间差分和背景差分检测运动前景,再配合适当的运动区域判定条件,很好地消除了运动前景的影响,提高了准确性.通过将背景更新任务分解到多帧中处理,大大缩短了处理一帧图像的耗时,提高了系统实时性.实践证明该方法可行.     

基于EmguCV的改进背景减除法运动目标检测方法研究

针对复杂场景中运动目标检测时出现的问题,设计了一种基于EmguCV的改进背景减除法运动目标检测方法。首先对每一帧图像进行混合高斯模型处理,再通过帧间差分算法进行背景更新,继而分析了传统混合高斯模型和传统的帧差分目标检测方法,并对算法进行了改进。利用Kmeans聚类算法采用不同的背景区域对复杂场景实现不同更新速率,在EmguCV框架的基础上利用C#语言实现对运动目标的检测。实验结果表明,该方法易于使用,且性能比较好。     

相机运动条件下的视频前景提取

提出一种基于非参数化运动估计和图像配准的方法来进行相机运动条件下的前景提取.通过对视频帧和接近的训练背景图像进行非参数化运动估计,动态地构造出一幅和视频帧的视角完全相同的背景图像, 再通过背景减除提取前景. 为了解决运动估计的计算效率问题, 又提出一种基于流形的改进算法: 在离线阶段, 预先对训练背景图像进行非参数化运动估计, 并利用流形学习对训练背景图像进行建模; 在在线阶段, 通过在背景流形上进行运动插值来快速地估计新视频帧和训练背景图像之间的运动. 实验表明,改进的方法在基本保持像素提取准确率的同时获得了很高的效率．     

基于帧间差分和背景差分的运动目标检测算法

针对运动目标检测领域中帧间差分法和背景差分法的缺陷,提出一种将两种方法融合在一起的新算法。首先,该算法在采用混合高斯建立背景模型时对方差更新作了修改,使得模型与真实背景更接近。其次,用连续三帧差分代替两帧差分,采取自适应差分阈值的方法。最后,将两种差分的结果融合并作形态学处理提取目标。实验结果表明,本文算法能有效抑制噪声和空洞,适应性强、检测效果良好。     

基于背景重建的运动目标检测算法

针对复杂背景下参考帧的提取问题,提出了一种改进的基于帧间差分的背景提取算法。该算法利用帧间差分将图像序列中的背景像素点提出来,从而确定背景帧;并利用序列图像背景点在时间上呈高斯分布,用“3σ原则”判断背景点是否发生变化来更新背景。实验结果表明,该方法可以有效的提取和更新背景,从而完整准确地检测出运动目标。     

一种基于码本背景模型的运动目标检测方法

针对减背景算法中复杂背景下背景帧的提取问题,给出了一种码本背景提取方法。利用视频图像序列中的颜色和亮度信息,为每一个像素点创建一个码本,且码本随着其中码字的更新而更新,所有像素点的码本构成一个完整的背景。用当前视频帧和码本进行比较得到前景运动目标。结果表明：算法运算量小,适合做实时处理。     

Robust background subtraction in traffic video sequence

For intelligent transportation surveillance, a novel background model based on Marr wavelet kernel and a background subtraction technique based on binary discrete wavelet transforms were introduced. The background model kept a sample of intensity values for each pixel in the image and used this sample to estimate the probability density function of the pixel intensity. The density function was estimated using a new Marr wavelet kernel density estimation technique. Since this approach was quite general, the model could approximate any distribution for the pixel intensity without any assumptions about the underlying distribution shape. The background and current frame were transformed in the binary discrete wavelet domain, and background subtraction was performed in each sub-band. After obtaining the foreground, shadow was eliminated by an edge detection method. Experimental results show that the proposed method produces good results with much lower computational complexity and effectively extracts the moving objects with accuracy ratio higher than 90%, indicating that the proposed method is an effective algorithm for intelligent transportation system.     

面向高速公路抛洒物检测的动态背景建模方法

针对高速公路抛洒物检测中传统的固定背景建模方法容易因开放环境变化产生大量的前景噪声,动态背景建模方法容易因抛洒物的静止特性导致前景对象快速融入背景,提出基于背景分离高斯混合模型（BS-GMM）的动态背景建模方法. 该方法对传统高斯混合模型的背景划分和模型匹配方法进行改进,设计基于像素点的高斯分布背景模型权值的衰减状况进行背景建模和背景更新的方法,既能减少开放环境大量环境噪声的影响,也能对抛洒物快速进入静止状态后的准确检测,在计算性能上能够达到实时检测的效果. 实验结果证明,BS-GMM方法在抛洒物检测过程中产生的噪声数量比其他方法少,且对静止超过20 s的物体能够作为前景目标提取,因此能够有效地应用于高速公路抛洒物的准确识别.     

一种基于空间信息的运动目标检测方法

针对现实生活中由于光照变化、背景噪声干扰、摄像机抖动等因素对运动目标的检测与识别存在巨大挑战的问题,提出了一种基于空间信息的运动目标检测算法。通过对像素点及其区域的亮度和角度差分等信息提取特征,建立背景模型,去除光照因素的干扰,比较当前帧和背景模型的相似系数确定前景区域,并且采用了自适应阈值的方法二值化前景图。实验证明,该方法能克服光照突变等复杂背景的干扰,实现对运动目标实时准确检测。     

基于自适应背景更新的运动车辆检测技术

在基于视频的交通检测系统中,运动车辆的正确检测是关键,目前采用的典型方法是背景差分法。为了得到较理想的背景图像,利用基于动态信息窗口的自适应背景更新算法,解决了背景的复杂性问题,提高了对多车道上运动车辆检测的正确率。     

基于目标形态特征的工件自动分割方法

为了使交互式工件分割算法满足实时性的要求,提出了一种将工件形态特征与图像分割算法相结合的工件自动分割方法.利用MeanShift算法分割图像提取目标区域;利用形态学开运算消除目标区域的噪声,进而分离相连的目标区域;对目标区域进行边缘检测,计算完整的工件轮廓信息,然后根据外轮廓的面积确定工件区域;利用工件区域的最小外接矩形在图像中标出前景和背景区域,再利用GrabCut算法分别对前景和背景建立高斯混合模型,然后通过mincut/maxflow算法分割前景与背景区域,最终实现工件目标的提取.实验结果表明,对于制造商提供的样本,该方法分割工件的召回率和准确率分别为94.97%和88.48%,具有较强的实用性和良好的实时性.