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。     

基于帧差分块的混合高斯背景模型

针对混合高斯背景模型计算量过大、对复杂场景的适应能力较差等问题,提出了一种基于帧差分块和自适应学习率的混合高斯背景模型改进算法。引入分块模型思想,有效结合了像素的空域信息;根据帧间差分结果,判断可疑前景区域和背景区域,提高了检测灵敏度;针对前景可疑区域采用复杂模型,保证运动目标检测的精度,反之采用简单模型降低计算量;通过自适应学习率,加速背景的形成与消退。实验结果证明该算法较好地兼顾了检测精度和计算代价。     

基于模型切换的自适应背景建模方法

提出了一种基于模型切换的背景建模方法 (MSBM). 该方法以熵图像为纽带, 实现了不同精细程度的背景模型在空间上的自适应选取和在时间上的自适应切换. 对于亮度分布复杂度高的背景区域采用精细的模型以保证运动目标检测的精度, 反之采用简单的模型以降低计算量. 通过模型结构自适应结合参数自适应, 很好地兼顾了检测精度和计算代价. 基于高斯混合模型和时间平均模型的双模型切换式运动目标检测算法被用于实验研究, 结果表明这种算法的检测效果和单独采用高斯混合模型的检测效果相当, 而计算速度却比后者提高很多.     

基于自组织映射的区域高斯模型的动目标检测

对于固定场景中的复杂背景图像序列的运动目标检测问题,采用单高斯模型和区域高斯模型的级联式检测方法,并在区域高斯模型的更新过程中引入了自组织映射的“竞争、合作”机制,提出一种基于自组织映射的区域高斯模型算法。该算法不仅能够在水波纹和树叶晃动等复杂背景环境中检测运动目标,并且能够保证检测运动目标的相似性。使用PETS2002和Water Surface复杂背景图像序列的仿真结果验证了算法的有效性。     

基于自适应背景匹配的运动目标检测算法

为了减小所提取的背景对后续目标检测的影响,提出了基于自适应背景匹配的运动目标检测算法.通过改进的Mode算法结合自适应背景匹配更新机制获得可靠的背景,在此基础上结合绝对差分和具有双动态阈值的Cauchy分布模型建立了目标检测总体模型,从而实现对视频序列中的运动目标进行检测.通过对行人和车辆等不同监控对象的实验,验证了算法具有良好的噪声抑制能力和对慢目标良好的鲁棒性,同时能有效的分割前景目标.     

利用时空背景模型的快速运动目标检测方法

为了弥补运动目标检测中传统混合高斯背景模型仅对单个像素建模、运算耗时的不足,通过提取背景时间统计特征和空间区域特征建立模型,针对模型中的高斯分量采用一种改进的分量个数自适应算法,并在此模型基础上,提出一种自适应迭代分块目标检测方法。通过包含区域信息的背景模型检测目标,减少在同一背景区域中目标的误判和漏判。将自适应迭代分块检测算法与背景的区域信息结合,可以在不降低检测精度的前提下大大提高算法执行速度。实验结果表明,相对于传统算法,本文检测法检测结果信噪比更高,目标更加完整,运行速度平均提高了22%。     

基于五帧差分和背景差分的运动目标检测算法

静态背景下运动目标检测的抗噪性能较差。为此,提出一种改进的运动目标检测算法。对原始图像进行预处理,将五帧差分和背景差分相结合,利用基于自适应背景模型的动态阈值,提取图像中的运动区域,并进行形态学滤波和连通性检测,最终获取运动前景目标。实验结果表明,该算法能完整提取运动目标,背景适应性强,实时性好。     

运动目标检测中的环境感知与自适应研究

在复杂环境下,任何环境的改变都会对运动目标检测的准确性产生影响。因此提出广义高斯混合模型与背景减除法相结合的算法对运动目标进行检测。该模型可以灵活地感知环境,自适应地处理视频背景模型中背景的环境变化,如光线渐变、背景扰动、阴影和噪声等,而且当光线突变时可以迅速感知并重新建模。此外为了满足实时性,采取每隔3帧进行一次背景更新的策略。实验结果证明本算法在满足实时性的同时,能准确检测出运动目标。     

一种移动机器人对运动目标的检测跟踪方法

从序列图像中有效地自动提取运动目标区域和跟踪运动目标是自主机器人运动控制的研究热点之一.给出了连续图像帧差分和二次帧差分改进的图像HIS差分模型,采用自适应运动目标区域检测、自适应阴影部分分割和噪声消除算法,对无背景图像条件下自动提取运动目标区域.定义了一些运动目标的特征分析和计算,通过特征匹配识别所需跟踪目标的区域.采用Kalman预报器对运动目标状态的一步预测估计和两步增量式跟踪算法,能快速平滑地实现移动机器人对运动目标的跟踪驱动控制.实验结果表明该方法有效.     

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.     

一种改进的基于混合高斯模型的运动目标检测算法

运动目标检测是实现目标跟踪和行为分析等任务的基础。在运动目标检测中,消除背景与噪声的干扰,从而将运动目标从图像中分离出来一直是研究的重点。混合高斯模型法被广泛地应用于运动目标检测,对存在小幅度运动的背景有较好的抗干扰能力,并且能提取出较完整的运动目标,但是同时存在噪声干扰,且对阴影抑制效果较差。针对传统混合高斯模型法的不足,提出一种改进的基于混合高斯模型的运动目标检测算法,利用帧差法对光照突变适应性较好和算法简单的特点,将传统混合高斯模型法与和四帧差法结合。实验结果表明,该方法能够有效地消除复杂环境中的噪声,并对阴影有一定的抑制作用,提高了运动目标检测的准确性和完整性。     

基于边缘帧差和高斯混合模型的行人目标检测*

针对高斯混合模型存在背景更新收敛性差,易受环境噪声和光照突变影响,易产生虚假目标等问题,提出一种基于高斯混合模型的改进算法,用于视频中行人目标检测。通过将帧差法引入高斯混合模型,快速区分背景区域和运动目标区域,从而提取前景中完整的行人目标。结合视频帧边缘和边缘帧差信息,采用多种模型更新率,提高高斯混合模型对复杂背景的自适应性和快速收敛性,从而消除环境噪声和光照突变的影响,避免检测出虚假目标。实验结果表明,相比较传统高斯混合模型,该方法可以有效去除噪声和光照的干扰,收敛性更佳,行人检测效果更鲁棒。     

改进混合高斯模型的运动目标检测算法

针对传统的混合高斯模型存在无法完整检测运动目标、易将背景显露区检测为前景等问题,提出了一种基于混合高斯模型的运动目标检测的改进算法。通过将混合高斯模型与改进帧差法进行融合,快速区分出背景显露区和运动目标区,从而提取出完整的运动目标。在运动目标由静止缓慢转为运动的情况下,为背景显露区给予较大背景更新速率,消除了背景显露区对运动目标检测的影响。在兼顾混合高斯模型在复杂场景中对噪声处理效果差的基础上,利用背景模型替换的方法来提高算法的稳定性。经过反复实验,结果表明改进后的算法在自适应性、正确率、实时性、实用性等方面有了很大的改进,能够在各种复杂因素存在的情况下正确有效地对运动目标进行检测。     

复杂背景下全景视频运动小目标检测算法

为解决复杂背景下全景视频中运动小目标检测精度低的问题,提出一种基于复杂背景下全景视频运动小目标检测算法.首先,为降低复杂背景信息的干扰,提高目标检测的精度,采用快速鲁棒性主成分分析(Fast RPCA)算法将全景视频图像的前景背景信息分离,并提取出前景信息作为有效的图像特征;然后,改进更快的基于区域的卷积神经网络(Faster R-CNN)中的区域生成网络(RPN)的候选框尺度大小,使之适应全景图像中的目标尺寸,再对前景特征图进行训练;最后,通过RPN网络和Fast R-CNN网络共享卷积层输出检测模型,实现对全景视频图像中小目标的精准检测.实验结果表明,所提出算法可以有效抑制复杂的背景信息对目标检测精度的影响,并对全景视频图像中的运动小目标具有较高的检测精度.     

OPTICS聚类与目标区域概率模型的多运动目标跟踪

目的 针对多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题,本文提出了一种基于OPTICS聚类与目标区域概率模型的方法。方法 首先引入了Harris-Sift特征点检测,完成相邻帧特征点匹配,提高了特征点跟踪精度和鲁棒性;再根据各运动目标与背景运动向量不同这一点,引入了改进后的OPTICS加注算法,在构建的光流图上聚类,从而准确的分离出背景,得到各运动目标的估计区域;对每个运动目标建立一个独立的目标区域概率模型(OPM),随着检测帧数的迭代更新,以得到运动目标的准确区域。结果 多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题通过本文方法得到了很好地解决,Harris-Sift特征点提取、匹配时间仅为Sift特征的17%。在室外复杂环境下,本文方法的平均准确率比传统背景补偿方法高出14%,本文方法能从移动背景中准确分离出运动目标。结论 实验结果表明,该算法能满足实时要求,能够准确分离出运动目标区域和背景区域,且对相机运动、旋转,场景亮度变化等影响因素具有较强的鲁棒性。     

基于区域纹理的运动目标检测方法*

针对混合高斯和多模态均值模型在阴影、噪声、扰动、计算量和存储空间等方面的优缺点,提出一种基于区域纹理的目标检测方法。该方法分析场景纹理分布,制定区域复杂度分类准则,对复杂区域采用混合高斯,对简单区域采用基于运动历史的多模态均值进行目标检测。实验表明,该方法能在多模态环境中克服噪声与扰动,实时转换前／背景,优化速度和存储量,准确检测出目标。     

基于背景建模的VideoSAR动目标阴影检测方法

针对视频合成孔径雷达(video synthetic aperture radar,VideoSAR)数据进行地面运动目标检测的问题,本文提出了一种基于单高斯背景模型的VideoSAR动目标阴影检测方法.该方法使用一个时间维度的滑窗对视频序列进行处理:首先使用RED20深度神经网络模型抑制VideoSAR图像的斑点噪声...     

改进混合高斯模型的电网检修人员行为检测

针对运动目标检测,当前算法具有一定的适用性和局限性,以及检测信息不完整等问题,在帧间差分法和混合高斯模型的基础上,提出了一种改进的混合高斯模型的目标检测算法,用来解决帧间差分法造成的运动目标背景轮廓不完整的问题.该方法是在传统的混合高斯模型的基础上,在一定帧数内,检查所有的高斯分布的权重,对满足条件的高斯分布进行删除操作,最终得到轮廓较为清晰的运动目标.实验结果表明,本文算法充分的考虑了背景人物对于运动目标监测产生的影响,实验过程中使用了真实的电网数据,从而说明该算法在准确度上相比于其他算法提高了3.37%,具有更好的准确性和对环境的适应能力.     

基于局部模型匹配的目标轮廓跟踪

在复杂背景下,传统轮廓跟踪方法会发生漂移,甚至丢失目标。针对上述问题,提出一种基于局部模型匹配（LMM）的目标轮廓跟踪算法。利用超像素技术结合EMD相似性度量构建局部特征模型,从而进行局部模型匹配。结合粒子滤波的Snake模型作提取目标轮廓,实现目标轮廓精确跟踪。实验结果表明,该算法在目标形变、部分遮挡、复杂背景等条件下均具有较高的跟踪成功率。与多种目标轮廓跟踪算法进行对比,该算法具有较高的准确性和鲁棒性。