基于改进混合高斯背景模型的车辆检测算法研究

传统的混合高斯背景模型对光照突变十分敏感,对运动车辆检测效果不理想。为此,本文提出了一种基于改进混合高斯背景模型的车辆检测算法,利用不匹配像素来消除光照突变对背景建模产生的影响。实验结果表明,与传统的混合高斯背景模型算法相比,在光照突变明显的条件下,改进后的算法更能有效检测出运动车辆。     

基于浮选图像的高斯-椒盐噪声滤波算法

浮选图像采集和传输过程极易受到高斯-椒盐混合噪声的污染,严重了影响后续图像识别的精度.针对此种情况,结合多种传统滤波算法,提出一种去除高斯-椒盐混合噪声的有效算法.实验结果表明:提出的算法在去除浮选图像的混合噪声上要明显优于传统算法,且能够满足实时性需求,在滤除混合噪声上具有很好的参考价值.     

基于局部层次化混合高斯模型的视频序列运动目标检测

在视频分析的过程中,背景建模和运动目标提取是一个非常重要的问题.混合高斯模型是进行背景建模常用的模型之一.但是单纯运用混合高斯模型进行运动目标提取的效果并不是非常理想.本文提出了一种自上而下的局部层次化混合高斯模型,该算法首先确定更新区域,然后在区域中运用分块的混合高斯模型和点像素混合高斯模型进行背景建模和目标提取.实验表明该方法具有较好的处理效果,同时也提高了处理的时间效率.     

改进高斯混合模型的运动目标检测算法

传统的高斯模型无法检测比较复杂的场景或速度较低的运动目标,因此提出基于改进高斯混合模型的运动目标检测算法.使用多个高斯模型表示运动目标图像内各像素点特征,并基于图像内各像素点与高斯混合模型相匹配则视其为背景点,反之为前景点原理,更新高斯混合模型.通过更新前景模型并计算短时稳定度指标,提高运动目标检测效果,通过确定高斯分...     

基于改进单模高斯模型的运动目标检测算法

在视频交通车辆目标检测中,阴影问题是影响其检测准确性的关键问题之一.为了解决这个问题,提出了一种结合单模高斯模型和背景差法的运动目标阴影检测方法.首先针对传统单模高斯模型提出了一种自适应学习率和选择性差值更新背景相结合的方法,加快了背景模型的初始化速度,同时结合背景差法对阴影部分进行检测与去除.实验结果表明,该方法能够较好地去除车辆的阴影,提高了检测的准确性.     

基于视频图像中运动目标检测算法的研究

运动目标检测是从实时捕获的视频序列图像或视频文件中将与背景存在相对运动的目标找出来。帧差分法和背景差分法是运动目标检测中常用的方法,文章主要研究了背景差分法中的单高斯背景模型和高斯混合背景模型的基本原理,对这两种算法进行了详细描述,对高斯混合背景算法进行了改进,实验结果表明,改进后的算法在目标检测质量是相对于原来的背景的基础上差分法,混合高斯模型数据量很小。     

基于改进的混合高斯模型的红外运动目标检测

传统混合高斯模型中背景容易留下运动"虚影",同时在噪声或目标区域对比度低时会导致提取目标区域时出现断裂和空洞的现象,针对这些问题在混合高斯方法中赋予图像中运动和静止区域不同的背景更新速率,并充分利用混合高斯模型中的背景和前景信息,将背景减除的结果与高斯建模中的前景图像按照一定比例融合获得目标图像。实验结果表明:改进后的混合高斯模型运动目标检测方法,能够克服传统高斯模型目标检测中存在的问题,从复杂的背景中较完整的提取出运动目标,且具有一定的抗噪能力。     

基于混合高斯模型与核密度估计的目标检测

背景建模与目标检测是视频跟踪的重要步骤和基础,非参数核密度估计与混合高斯模型是背景建模与目标检测的经典方法。文中首先介绍了高斯模型与核密度估计的基本原理及各自的优缺点,然后提出了一种核密度-混合高斯模型级联算法,利用核密度估计快速分割前景与背景区域,再由混合高斯模型对于无法精确建模的区域进行二次判定,有效综合了二者各自的优点。仿真结果表明,该算法具有良好的实时性和鲁棒性。     

基于YC_bC_r颜色空间的背景建模及运动目标检测

高斯混合模型广泛应用于基于背景建模的运动目标检测中。首先在YCbCr颜色空间采用自适应高斯混合模型对背景的每个像素建模;然后,对输入的当前帧图像的每一像素值与该像素点对应的高斯混合背景模型的各个高斯模型进行比较,将前景运动区域（包括运动目标、投射阴影）从场景中提取出来;最后,采用局部二元图（Lo-cal Binary Pattern,LBP）来提取纹理特征,利用背景在阴影覆盖前后的纹理相似性去除投射阴影,同时结合阴影的空间几何特性优化运动目标检测结果。实验结果表明,该算法能有效地检测出投射阴影和运动目标,具有较高的实际应用价值。     

基于高斯混合背景模型的运动目标检测技术研究

在运动目标检测技术中,使用传统的高斯混合背景模型所得到的检测结果并不能完美地获取运动目标的轮廓信息,而图像中像素的梯度信息,刚好就是反映了各物体的轮廓和边界,并且相对于颜色信息而言,梯度信息对于噪声并不敏感。为此,该文对传统的高斯混合背景模型进行了改进,提出基于梯度时空信息的高斯混合背景模型,证明了改进的算法确实能够取...