基于ViBe的复杂背景下的运动目标检测

ViBe算法简单、快速,具有较好的前景检测性能,是运动目标检测和背景建模的主要方法之一。但是在动态背景、相机抖动等户外视频中仍存在噪声和干扰等问题,导致对前景运动目标的检测不准确。针对此问题,提出用像素帧差值代替像素值来初始化背景样本模型的方法,并根据背景动态变化自适应更新阈值来分割前景与背景。实验结果表明,改进算法提高了前景检测的准确性,对噪声干扰表现出了良好的鲁棒性。     

视频帧内运动目标移除篡改检测算法

针对数字视频帧内对象被移除的篡改操作,提出了一种基于主成分分析（PCA）的篡改检测算法。首先对待测视频帧与基准帧相减得到的差异帧使用稀疏表示方法进行去噪,降低噪声对随后特征提取的干扰;其次将去噪后的视频帧进行非重叠分块,利用主成分分析提取像素点的特征并构造特征向量空间;然后使用k-means算法对特征向量空间进行分类,并将分类结果用二值矩阵表示;最后对二值矩阵进行图像形态学操作得到最终检测结果。实验结果表明所提算法的检测性能指标精确度达到91%、准确度达到100%、F1值达到95.3%,比基于压缩感知的视频篡改检测算法在性能指标上有一定程度的提高。实验证明,对于背景静止的视频,该算法能够检测出帧内运动目标被删除的篡改操作,而且对有损压缩视频具有很好的鲁棒性。     

基于HSV颜色空间和Vibe算法的运动目标检测

Vibe算法运行速度较快,并能快速有效地抑制阴影、照相机晃动对前景检测造成的影响,具有较好的前景检测性能。但对于存在动态背景的户外视频,不可避免地存在背景干扰及噪声的影响,使得Vibe算法不能准确地检测出运动目标。针对此缺陷,提出颜色特征信息与Vibe相结合的改进算法,将像素点从RGB空间转换到HSV颜色空间进行颜色失真度比较,通过双模型的建立,有效减少了计算量。系列实验表明该方法能够取得更加准确的前景分割特性,对噪声干扰表现出良好的鲁棒性。     

体育视频中的运动员检测与跟踪

利用自适应高斯混合模型对视频图像进行建模,从图像序列中获取背景图像并提取运动区域,利用像素的颜色信息从背景图像中提取绿色球场。为提高运动员检测的准确度,利用纹理相似性度量方法消除运动区域中的阴影,用形态学方法消除区域内的裂缝,根据球场信息去除球场外的噪声。改进了CamShift算法,并应用该算法对运动员进行跟踪。     

基于变化检测的视频对象分割算法研究

随着基于对象视频应用的发展,视频对象的分割成为人们研究的热点。提出了一种基于变化检测的视频对象分割算法。该算法首先求出连续两帧图像之间的差分,利用帧间变化信息可以得到视频对象的运动区域,根据差分图像的中值（MED）和中值绝对差（MAD）及原始图像均值确定阈值并滤除噪声,用数学形态学方法进行后处理,最终得到精确的视频运动对象。实验结果表明,该方法能够从背景不变的视频序列中较好地提取出视频运动对象,而且算法简单、高效、准确。     

融合背景估计与U-Net的文档图像二值化算法

针对低质量文档图像存在页面污渍、墨迹浸润、背景纹理等多种退化因素,提出一种融合背景估计与U型卷积神经网络（U-Net）的文档图像二值化算法。该算法首先进行图像对比度增强,然后通过形态学闭操作来估计文档图像背景,并利用全卷积网络,即U-Net对背景减除图像进行前景背景分割,最后采用全局最优阈值处理方法获得最终二值图像。实验结果表明,在2016和2017年国际文档图像二值化竞赛中该算法的◢F值（F◣-measure,FM）、伪◢F◣值（pseudo ◢F◣-measure,p-FM）、峰值信噪比（peak signal to noise ratio,PSNR）、距离倒数失真度量（distance reciprocal distortion,DRD）比性能次优的经典算法最高有5.58%、2.47%、0.86 dB、1.19%的性能提升。     

基于背景减除法的视频序列运动目标检测

视频序列中运动目标的检测是目标识别、标记和追踪的重要组成部分,背景减除法是运动目标检测中被广泛应用的算法。针对光线变化、噪声和局部运动等影响运动目标检测效果的问题,提出一种基于背景减除法的视频序列运动目标检测算法。该算法结合背景减除法和帧间差分法,对当前帧像素点的运动状态进行判断,分别对静止和运动的像素点进行替换和更新,采用最大类间方差（Otsu）法对差分图像进行目标提取,并使用数学形态学运算去除目标中的噪声和冗余信息。实验结果表明,所提算法对于视频序列中运动目标的检测具有较好的视觉效果和较高的准确度,能够克服局部运动以及噪声等缺陷。     

基于时域相关性的背景建模算法

针对监控视频前景存在较强的时域相关性降低背景建模性能的问题,提出一种基于时域相关性的背景建模算法。该算法有以下两个创新点:提出LDBCBR(Long Distance Block Composed Background Reference)算法,使用背景搜索间隔IBBS来削弱前景的时域相关性,生成更纯净的背景模型;提出二次建模算法,将LDBCBR和BCBR结合使用,当它们在同一位置都搜索到临时背景块时,将搜索到的临时背景块进行二次建模得到最终背景图像。实验结果表明,算法能够建模生成更纯净的背景图像,与BCBR算法和基准档次对比获得的BD-Rate增益分别为3.12%和25.70%,对监控视频编码有很大提升。     

地铁监控中的行人检测方法

针对地铁视频监控中行人检测问题,提出了一种将背景建模与形态学相结合的行人检测方法。算法首先对视频序列图像进行预处理;然后利用背景建模不断更新复杂环境中运动区域,提取目标区域;再通过改进的形态学算法对目标区域进行人体检测。实验结果表明,该方法能够准确地检测地铁视频监控中的行人,运算速率较快,鲁棒性较高。     

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。     

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。     

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。     

一种改进的视觉背景提取算法研究

针对视觉背景提取(ViBe)算法在初始化背景模型时易产生鬼影以及对户外动态场景适应能力差、检测精度低等问题,在算法初始化阶段,通过采用前景点计数的方法,统计静止像素点占前景块的百分比,有效抑制了鬼影的产生,提高了算法检测精度;在前景检测阶段,根据场景的动态程度自适应调整阈值,提高了算法对动态背景的适应能力.实验表明:与原算法相比,在动态场景中算法检测精度提高了20%以上.     

基于颜色和局部二值相似模式的背景减除

针对视觉背景提取(Visual Background Extractor,ViBe)算法对光照变化和动态背景适应性差、鬼影消除时间长的缺点,提出了一种改进的ViBe算法。该算法使用颜色特征与局部二值相似模式(Local Binary Similarity Pattern,LBSP)特征进行背景建模,增加了对光照变化的鲁棒性。在模型更新阶段,引入二次空间传播机制,以加快消除鬼影的速度。根据当前像素与空间邻域像素的标准差获得自适应判决阈值,以较快的时间响应速度抑制动态背景的干扰。在Change Detection dataset数据集上的实验结果表明,改进后的算法能较快地抑制鬼影,同时能保证慢速和静止目标不会很快地融入背景,对复杂动态场景和光照变化有较好的适应性,其F-measure指标较ViBe算法提升了19.29%。     

基于改进ViBe的室外行人检测方法

室外动态环境的行人监控检测一直是研究的难点,存在光照变化、树叶摇晃、小动物经过等复杂干扰。本文提出一种基于改进视觉背景抽取法(Visual Background Extractor,ViBe)的室外行人检测方法,该方法采用基于区域的改进ViBe更新策略,该策略在加快鬼影消除速度的同时,提高了行人目标提取的完整度,然后在前景目标提取的过程中通过背景差的方法过滤复杂背景导致的误报区域,最后在此基础上根据一定的逻辑规则执行行人检测。实验结果表明,该方法既可以提高鬼影消除速度,也有效降低复杂多变背景的干扰,在室外场景进行行人检测具有较高的准确性、鲁棒性。     

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。     

基于ViBe算法的改进背景减去法

ViBe背景减去算法基于RGB色彩空间对像素进行处理,在光照突然改变的情况下,会造成大面积的背景误判为运动前景;同时会将场景中的运动背景大量的误检为前景. 针对上述问题,本文提出一种结合（r,g,I）标准色彩空间的改进算法. 实验结果表明,改进算法在光照突然变化时对前景的提取具有更好的鲁棒性,同时对于场景中运动的背景像素点,取得了更好的检测效果.