一种快速的运动目标检测算法

将运动目标检测的改进方式分为三类。针对固定摄像机的视觉监控系统,提出了一种改进的高斯混合模型算法。通过对方差在高斯混合模型中的作用进行分析,省略方差更新,将方差设为固定值,均值学习率采用固定值。实验结果表明,同传统检测方法相比,改进的算法具有更好的实时性与可靠性。     

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。     

基于熵理论改进混合高斯模型的运动目标检测算法

针对传统混合高斯模型学习率和背景模型阈值均采用无向导式选取方法,提出了相应的自适应更新策略.学习率自适应更新算法融合图像熵和2-D学习率查找表方法,解决了光照突变时背景更新过慢及固定权值造成的不能兼顾环境适应能力和抗干扰性问题.提出一种类间最大对称交叉熵阈值自适应选取方法,弥补了传统方法在选取背景模型时仅考虑权值而未考虑决定像素点归属问题的均值和方差对分类影响这一缺陷.实验结果表明,与传统算法相比,改进算法在克服光照突变、检测准确率、实时性以及目标提取完整度上均表现良好.     

改进的基于区域的运动目标分割方法

针对视频监控系统，提出了一种改进的基于区域的运动目标分割方法。与传统方法相比，在运动检测阶段，结合时域差分和背景差分进行运动检测。并通过自适应方法进行背景更新；在差分图像二值化时，采用自适应阈值方法来代替传统的手工确定阈值法；对于区域分割，使用基于加权平方欧式距离的均值聚类算法代特传统的均值聚类算法。实验结果表明该改进方法比传统方法具有更好的实时性、鲁棒性和有效性。     

复杂场景下的实时运动目标检测

提出一种改进的混合高斯模型算法对复杂场景中的运动目标进行实时检测.该算法首先在模型更新过程中提出一种相似模型调整策略,通过对模型值接近的模型的均值、权值、学习速率等进行自动调整,从而使算法更快地适应光照变化;然后基于尺度不变性局部三值模式纹理特征对检测结果进行校验,以快速有效地消除运动目标的阴影和光照渐变及突变的影响;最后设计一种图像尺度变换方法以提高算法的实时性.与现有算法相比,本文提出的方法能更好地在复杂背景中稳定检测运动目标,同时显著提高目标检测的效率.试验结果验证了本算法的有效性.     

基于主动视觉的运动目标检测跟踪方法

研究主动视觉运动目标检测跟踪系统。针对图像目标跟踪多为非连续动态过程,准确性差,通过混合高斯法建立背景模型,采用背景差分法,利用最大类间方差算法确定阈值,检测分割出运动目标,提出一种结合SURF算法的带宽自适应均值漂移跟踪算法实现目标跟踪,使用线程并行控制摄像机运动,确保跟踪目标在图像序列中的合适尺寸。实验表明,改进系统能够实现对场景中运动目标的准确检测,稳定跟踪,并能到达实时应用的要求。     

基于改进背景减法的视频图像运动目标检测

为解决传统背景减法在动态背景下受噪声干扰和运动目标检测准确性不高的问题,提出一种基于改进背景减法的视频图像运动目标检测方法。在背景建模阶段,为易于计算和提高检测精度,采用基于GMM的图像块均值方法重构背景模型;在目标检测阶段,采用数学形态学和小波半软阈值函数相结合的方法对检测到的运动目标进行去噪处理;在背景更新阶段,采用自适应背景更新方法进行背景更新。实验结果表明,所提方法提高了运动目标检测的准确性,验证了其有效性。     

融合改进的三帧差分和ViBe算法的运动目标检测

针对ViBe算法在相机抖动和树叶晃动的动态背景下，出现的误检率高和准确度低的问题，提出一种改进的ViBe算法。该算法选取多帧使用基于Canny的三帧差分改进算法进行背景建模；在背景模型更新时根据背景复杂程度设置调整因子，调整阈值和背景模型更新率适应动态背景的检测；为提高检测目标的完整性，改进的ViBe算法得到的前景目标，与三帧差分算法结合并且进行形态学处理完成对运动目标的提取。实验结果表明，改进的算法在树枝晃动、相机抖动的复杂背景下，检测目标的准确度和完整性提高了。     

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。     

改进的混合高斯算法

针对混合高斯模型的初始建模速度慢,检测出的运动目标含大量阴影和频繁闪动等问题,提出了一种融合背景减除法的改进混合高斯算法。该算法在初始建模时,自适应地更新均值和方差,能快速准确地建立背景模型;结合背景减除法,克服频繁闪动,抑制阴影。实验结果表明,该算法在初始建模、运动目标检测效果等方面优于混合高斯算法,具有较强的稳定性和适应性。     

一种改进的自适应高斯混合模型实时运动目标检测算法

高斯混合模型被广泛应用于摄像机静止条件下运动目标检测的背景建模。针对传统高斯混合模型中对光照变化适应性差及学习率单一等问题, 提出了一种光照变化检测及学习率更新的方法, 以达到自适应更新背景模型的目的。提出利用颜色直方图匹配算法, 通过引入光照变化因子以及模型参数更新计数器对学习率进行自适应的调整, 并通过对描述模型分量个数的自适应选择减少了计算时间, 增强了系统的实时性。实验结果表明, 该方法能快速有效地适应场景的变化, 比传统高斯混合模型具有更好的鲁棒性与稳定性。     

基于混合高斯模型的新型目标检测系统

针对传统混合高斯模型计算量过大及其在非平稳背景下存在的问题,提出一种新型运动目标检测系统。该系统引入模型等权重初始化策略,改善了视频检测初始阶段的效果;通过基于线性均差的模型匹配方法,减少了对方差的运算次数,有效减少了模型的计算量;加入干扰信息处理模块,以增强模型在复杂背景下的生存能力。经实验验证,新型系统准确检测出了视频初始阶段的多运动目标,可使进入场景后停留的目标快速融入背景,并能有效克服非平稳背景的扰动。实验结果表明该系统相比经典模型,准确性和鲁棒性均有明显改善。     

高斯混合背景模型的方差估计研究

在分析高斯混合背景模型建模机理的基础上,研究了模型参数估计及更新中模型结构稳定性和可塑性两难问题,指出高斯分量方差估计对运动分割的重要性。针对Stauffer算法中高斯分量均值和方差更新公式收敛过慢问题,提出了兼顾适应性和运动分割准确性的均值和方差更新策略。实验结果表明该方法在模态学习的准确性和方差收敛速度方面比原有方法有较大提高。     

混合高斯模型结合五帧差分的运动目标检测

在复杂背景下,光照变化、目标短暂遮挡以及背景运动等因素会导致运动目标检测精度较低.提出一种结合改进混合高斯模型和改进五帧差分的运动目标检测算法,首先在混合高斯模型中加入自适应学习率以及背景学习速率更新策略有效解决传统背景更新速率恒定而出现的残影现象;然后利用改进的五帧差分法克服运动目标短暂遮挡问题,并加入光照阈值判别因素,有效减弱光照变化带来的影响;最后对两者结果进行或运算进而得到最终检测结果.实验结果表明,该融合算法在复杂环境下具有一定的抗干扰能力,运动目标检测精度较高.     

基于改进混合高斯模型的运动目标检测算法

在运动目标停滞的情况下,传统的混合高斯模型会将运动目标误判为背景,导致目标漏检。为此,提出一种基于改进混合高斯模型的目标检测算法。引入背景学习参数,结合前一帧的检测结果自适应地更新背景,从而提取完整的运动目标。利用像素的八连通区域信息抑制噪声,提高算法在复杂环境中的稳定性。实验结果表明,与传统检测方法相比,该算法能够在复杂环境中准确地检测出短暂停滞的运动目标。     

混合高斯模型的自适应前景提取

复杂场景下的运动前景提取是计算机视觉研究领域的研究重点。为解决复杂场景中的前景目标提取问题,本文提出一种应用于复杂变化场景中的基于混合高斯模型的自适应前景提取方法。本方法可以对视频帧中每个像素的高斯分布数进行动态控制,并且通过在线EM算法对高斯分布的各参数进行学习,此外每个像素的权值更新速率可根据策略进行调整。实验结果表明本方法对复杂变化场景具有较好的适应性,可有效、快速地提取前景目标,提取结果具有较好的查准率和查全率。     

基于贝叶斯决策的运动目标检测方法

传统混合高斯背景建模存在难以解决背景复杂以及阴影等因素影响视频运动目标检测效果的问题,为此提出了一种基于贝叶斯决策的运动目标检测方法。该方法利用帧间差分进行像素变化检测,将像素粗分为变化像素和非变化像素;对于变化像素中的运动点和静止点,通过统计确立有效的数据结构,其中显著颜色分布统计量用来描述静止点,而显著颜色同现统计量描述运动点;从数据结构中提取颜色特征矢量,将特征矢量中的静止点和运动点按照贝叶斯决策规则进一步分类为背景点、前景点和颜色相似点。对颜色相似点进行局部加权处理以达到正确检测的目的;通过融合静止点集、运动点集和加权后的颜色相似点集结果提取出前景运动目标。仿真实验表明,该方法能够在不同复杂背景下较准确地检测出视频中的运动目标,相比传统算法具有较强的鲁棒性。     

高斯尺度空间下估计背景的自适应阈值分割算法

为有效分割非均匀光照图像,提出一种在高斯尺度空间下估计背景的自适应阈值分割算法. 首先,利用二维高斯函数对待处理图像进行卷积操作来构建一个高斯尺度空间,在此空间下进行背景估计,并采用背景差法来消除非均匀光照干扰,从而提取出目标图像;然后,采用 矫正进行增强处理以突出较暗目标信息;最后,经强调谷底的最大类间方差法进行全局分割得到最终结果. 为验证算法的有效性,对非均匀光照条件下文本图像以及非文本图像进行了测试,并与基于偏移场的模糊C均值方法、灰度波动变换自适应阈值分割算法和自适应最小误差阈值分割算法,在错误分割率和运行时间上进行了对比. 实验结果表明,对比以上三种方法,该算法的分割结果更为理想.     

Kalman滤波器对混合高斯背景建模的改进

在目前的计算机视觉应用中,从视频序列中提取出运动目标是一个研究热点。针对传统方法在复杂多变环境下不能很好地检测出运动目标的问题,提出了一种基于Kalman滤波理论的改进混合高斯背景建模方法。利用Kalman滤波器的时域递归低通滤波特点,对混合高斯背景值进行了校正,同时对混合高斯背景更新方法进行了改进,与传统的混合高斯背景建模相比,该方法较好地消除了背景光照剧烈变化时误将背景检测为前景的现象,同时也能较好地消除背景噪声,提高了系统的可靠性和鲁棒性。     

杂乱场景下小物体抓取检测研究

目的 杂乱场景下的物体抓取姿态检测是智能机器人的一项基本技能。尽管六自由度抓取学习取得了进展,但先前的方法在采样和学习中忽略了物体尺寸差异,导致在小物体上抓取表现较差。方法 提出了一种物体掩码辅助采样方法,在所有物体上采样相同的点以平衡抓取分布,解决了采样点分布不均匀问题。此外,学习时采用多尺度学习策略,在物体部分点云上使用多尺度圆柱分组以提升局部几何表示能力,解决了由物体尺度差异导致的学习抓取操作参数困难问题。通过设计一个端到端的抓取网络,嵌入了提出的采样和学习方法,能够有效提升物体抓取检测性能。结果 在大型基准数据集GraspNet-1Billion上进行评估,本文方法取得对比方法中的最优性能,其中在小物体上的抓取指标平均提升了7%,大量的真实机器人实验也表明该方法具有抓取未知物体的良好泛化性能。结论 本文聚焦于小物体上的抓取,提出了一种掩码辅助采样方法嵌入到提出的端到端学习网络中,并引入了多尺度分组学习策略提高物体的局部几何表示,能够有效提升在小尺寸物体上的抓取质量,并在所有物体上的抓取评估结果都超过了对比方法。