基于GMM和超像素马尔科夫随机场的运动目标检测

针对传统的基于高斯混合模型(GMM)的运动目标检测算法抗噪声性能差、易受动态背景干扰的缺陷,提出一种高斯混合建模与超像素马尔科夫随机场(MRF)相结合的运动目标检测方法。采用GMM对视频图像进行建模,初步标记出前景目标区域;对原始图像进行超像素分解,并根据GMM提取的前景图像得到概率超像素图像;采用MRF建模对概率超像素图像建模得到最终的运动目标前景图像。通过实验对比分析,表明提出的算法对噪声干扰、动态扰动背景等复杂场景均可以得到优于传统算法的结果。     

改进的ViBe运动目标检测算法

针对传统ViBe运动目标检测算法提取的目标存在鬼影区域、且有闪烁像素点干扰的问题,提出一种结合Surendra背景更新算法而改进的ViBe算法进行运动目标检测.利用Surendra算法快速更新背景的特点迭代得到纯净背景;对ViBe算法检测前景进行像素标记和鬼影分类判别,去除鬼影像素点和闪烁像素点;输出新的前景.实验表明:该算法可以有效地去除ViBe算法前景检测中的鬼影,并能抑制闪烁像素噪声,获取更精确的前景图像.     

基于改进的PBAS算法的前景目标检测

针对像素层自适应分割算法(Pixel Based Adaptive Segmenter,PBAS)在动态背景下检测准确率低、静止或运动缓慢的前景目标被更新为背景以及出现鬼影干扰的问题,提出了一种 结合 像素级信息和区域级信息的改进的前景检测算法。首先,提出一种融合区域结构信息和区域颜色信息的背景复杂度衡量方式;然后,采用改进的背景复杂度来控制判定阈值和学习率,并检测前景;其次,对像素层的检测结果使用区域窗口进行空间邻域对比,以消除鬼影;最后,引入前景计数机制来保证静止前景不被更新为背景。实验结果表明,该算法对光照条件和前景运动速度不敏感,能有效地从背景中检测出完整的前景目标,并迅速地消除鬼影干扰,准确率达到了92.7%。     

视频信号的能量分析与运动检测

提出一种静止摄像机条件下干扰自适应的运动目标检测方法。将视频中同一像素的像素值的变化看做信号,先计算像素值信号的均值,再计算像素值信号围绕均值波动的能量,最后通过比较波动能量来判断像素点属于前景点或背景点。实验结果表明,与混合高斯模型等常用的运动目标检测算法相比,该方法有更强的干扰自适应性和更高的灵敏度。     

基于像素层背景模型的复杂场景运动目标检测

为了从复杂变化背景中鲁棒地检测、提取运动目标,提出一种基于像素层背景模型的运动目标检测算法。该算法采用快速均值漂移方法将背景帧上具有相同统计特性的像素划分为一个像素层,背景模型从而被表示为一组像素层,通过与邻域像素对应的层匹配来检测运动前景像素。实验结果表明,该方法可以实时、准确地检测运动目标,特别是在摄像机颤动等原因造成的背景时域不规则变化情况下,比经典的基于混合高斯背景模型的方法具有更好的检测效果。     

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。     

实时图像的运动目标检测及跟踪

在复杂背景的运动目标实时检测算法的研究中,由于目标受到外界环境影响,目标不能正确提取。针对克服背景干扰因素提取,干净的目标像素,大多数背景建模与背景更新算法计算复杂,难以满足视频监控的实时要求。为解决上述问题,提出一种根据像素特征的背景差法,将目标的边缘特征融入减背景算法,通过对离散的目标边缘梯度像素进行网格密度聚类法实现目标像素的提取,采用改进的均值漂移跟踪算法,在DM642平台上实现目标检测与跟踪。实验结果表明,改进的算法可以有效的克服光线变化、背景抖动、噪声等问题,实时检测、跟踪多个目标,并能解决目标遮挡问题。     

一种自适应运动目标检测算法及其应用

针对ViBe算法在动态背景下存在鬼影消除时间长、算法适应性差、前景检测噪声多的问题,本文提出一种基于ViBe算法框架的改进算法.该算法采用鬼影检测法标记第1帧中的鬼影区域,并向位于鬼影区域的背景模型中强制引入背景样本,从而快速抑制鬼影;在像素分类过程中,引入自适应分类阈值,解决全局阈值易受动态噪声干扰的问题;在背景模型更新中,根据像素分类的匹配值来动态决定更新因子,提高算法适应场景变化的能力.定性与定量的对比实验结果表明,本文算法相较于ViBe算法能够有效地检测动态背景下的运动目标,应用于河流漂浮物检测场景中也有较好的效果.     

一种改进的融合帧差法的ViBe算法

ViBe运动目标检测算法速度快,能有效抑制噪声,但在光照强度突然改变的情况下,该算法会造成大面积的背景像素被误判为前景像素,针对此问题提出一种改进的融合帧差法的ViBe算法。实验结果表明,改进的算法能在光照有变化时依然能检测到完整的运动目标。     

基于ViBe的室外动态背景闪烁像素噪声消除方法

针对使用视觉背景提取(ViBe)模型在室外动态背景下进行移动目标检测时存在不规则闪烁像素点对前景检测结果造成干扰的问题,提出一种基于视觉背景提取算法的闪烁像素噪声消除方法。在背景模型建立阶段设定背景模型样本标准差阈值,约束背景模型的采样值范围以提高背景模型准确性。在前景检测阶段引入自适应检测阈值提高前景物体检测精度,在背景模型更新过程中对图像边缘背景像素点进行边缘抑制以阻止错误背景样本值更新到背景模型。在此基础上,结合形态学操作修复连通域,提高前景图像的完整性。最后选取多个视频序列将该方法与原始ViBe算法、形态学改进方法的检测结果进行对比。实验结果表明,该方法能有效消除闪烁像素噪声对前景检测造成的影响,获取更精确的前景图像。     

运动目标检测的ViBe算法改进

目的 目标检测在智能交通、自动驾驶以及安防监控中均有重要的地位,ViBe算法是常用的运动目标检测算法,它主要由背景模型初始化、前景检测、背景模型更新3部分组成,其思想简单,易于实现,运算效率高,但当初始帧有运动目标时,检测结果会出现“鬼影”现象,且易受噪声和光照变化影响,不能适应动态场景。同时,其逐帧逐像素进行前景检测,在计算复杂度方面有较大提升空间。为解决这些问题,提出一种改进的ViBe算法,称为ViBeImp算法。方法 在背景模型初始化时,用多帧平均法给出初始背景,采用该初始背景构建初始背景样本模型。在前景检测过程中,采用背景差分法、帧差法与OTSU算法相结合给出半径阈值的自适应计算方法。同时,根据背景差分法找出运动区域,只对运动区域进行前景判断和模型更新,降低算法的计算复杂度。结果 对25个不同场景视频分别给出ViBeImp算法在初始化背景,自适应半径阈值和计算复杂度方面改进的结果及有效性指标,实验结果表明,与ViBe、ViBeDiff2、ViBeIniR,以及Surendra等算法和高斯混合模型相比,ViBeImp算法对噪声、光照和背景动态变化有较好的鲁棒性,检测结果更完整,且实时性较好。同时,ViBeImp算法将ViBe算法的查准率、查全率以及F1值分别提高了17.98%、11.40%和15.96%。结论 ViBeImp算法采用多帧平均法构建初始背景可有效地消除“鬼影”,并给出半径阈值的自适应计算方法,使ViBe算法更快适应视频环境变化,准确且完整地检测出运动目标,具有较低的误检率和漏检率。该方法克服了ViBe算法对初始背景以及视频环境的依赖,很大程度上提高了运算速度,具有很好的鲁棒性和适用性。     

基于ViBe模型和五帧差分法的目标检测算法

针对当前常用ViBe算法对光照适应性差,当光照突变时ViBe算法把大面积的背景误判成前景;为此提出了一种结合ViBe背景模型与五帧差分法的新的运动目标提取方法。首先采用ViBe算法提取运动前景目标,然后将整个前景图片分成若干区域,统计这些区域中前景像素个数大于预设阈值的区域的个数,将符合条件的区域的个数与整个前景图片区域总数相比,当比值大于某一阈值,发生了判断为光照突变改用五帧差分法处理图像;最后通过连通性检测和形态学操作等后处理,最终提取出运动前景目标。实验结果表明:该算法能够有效地防止ViBe算法把大面积的背景误判成前景,提高了ViBe算法对光照变化场景下的鲁棒性,检测效果优于单独使用ViBe算法和五帧差分法的检测效果。     

一种基于改进视觉背景提取算法的前景检测

针对视觉背景提取ViBe算法在前景检测中存在的鬼影现象且长时间难以消除的缺点,提出一种改进的视觉背景提取算法。首先,在视频前n帧序列的帧差法中,引入大津（OTSU）算法求自适应阈值,以分割出更为准确的前景区域;其次,利用去除前景区域的前n帧图像合成一张尽量少的包含前景区域的样本图像;最后利用扩展的邻域范围在合成的样本图像中对模型初始化,并把扩大的范围用在ViBe背景模型更新阶段。该算法与各种经典算法在大量视频库中进行了对比实验,仿真结果表明,改进的ViBe算法能快速消除鬼影对前景检测的影响,前景检测更为准确。     

一种融合ViBe与多特征提取的微动目标检测算法

为实现前景微动目标的准确提取,克服提取过程中的高误检率等难题,对CbCr分量、RGB和SILTP特征建立背景模型,提出一种融合多特征的ViBe背景建模改进算法。首先引入LBSP算子,改进LBP-TOP纹理编码方式,利用得到的纹理特征计算当前帧的时/空域前景概率,从而建立起接近真实背景的CbCr背景模型;然后结合局部像素复杂度和3种特征的变化情况改进ViBe判别与更新方法,利用背景减除和形态学处理得到完整的前景目标进行背景替换。实验结果表明,所提算法能有效分割视频图像中的微动目标并实现背景替换。     

基于区域相似信息的自适应运动目标检测算法

当视频监控中存在动态背景干扰、鬼影现象和静止目标时,ViBe算法的检测性能较差。针对该问题,提出一种改进的ViBe算法。通过Otsu算法得到图像的动态阈值,提高算法在动态背景中的抗干扰能力,同时结合区域相似度判断鬼影、拖影或静止目标区域,自适应地对不同类别区域像素进行更新抑制。实验结果表明,改进算法在动态背景中表现出良好的鲁棒性,能够有效抑制鬼影以及静止目标产生的拖影,在保证实时性的前提下较原算法检测精度和综合评价指标F值分别提高0.309和0.2,具有更好的检测效果和检测性能。     

基于视觉背景提取的自适应运动目标提取算法

在复杂场景下的视频运动目标提取是视频分析技术的首要工作。为了解决前景运动目标提取的精确度不高的问题,提出一种基于视觉背景提取(ViBE)的改进视频运动目标提取算法(ViBE⁺)。首先,在背景模型初始化阶段采用像素的菱形邻域来简化样本信息;其次,在前景运动目标提取阶段引入自适应分割阈值来适应场景的动态变化;最后,在更新阶段提出背景重建和调整更新因子方法来处理光照变化的情形。实验结果表明,对于复杂视频场景LightSwitch的运动目标提取结果在相似度指标上,改进后的算法与混合高斯模型(GMM)算法、码本模型算法以及原始ViBE算法相比,分别提高了1.3倍、1.9倍以及3.8倍。所提算法能够在有效时间内对复杂场景具有较好的自适应性,且性能明显优于对比算法。     

基于改进视觉背景提取算法的运动目标检测

针对经典视觉背景提取算法（visual background extraction algorithm, ViBe）因初始帧存在运动目标易产生鬼影以及对扰动背景适应性差的问题,提出一种改进ViBe算法。利用改进三帧差分法和最小外接矩形定位初始帧运动目标,并通过局部初始化的方法进行鬼影抑制;在背景模型初始化阶段,定义灰度相似函数从时域和空域信息中中等比例选取像素点建立背景模型,增强背景模型的鲁棒性;在前景检测检测阶段,通过平均差法衡量样本集合的离散度,构建自适应分割阈值代替原有的固定分割阈值以适应背景扰动。实验表明,改进算法可以有效抑制鬼影产生并且提高算法在扰动背景下的适应性和检测准确度。