融合光流速度与背景建模的目标检测方法

为了克服传统基于像素的背景建模方法不能很好地描述背景运动的问题,提出了一种融合光流速度与背景建模的目标检测方法。结合像素的灰度信息、空间信息和时间信息计算出每个像素的光流速度,利用光流速度在时间域上的统计信息为背景建立光流速度场模型。利用建立的背景模型快速、准确地实现运动目标的检测。实验结果表明,融合光流速度的背景建模方法能有效地描述背景的运动,显著降低运动背景产生的噪音,鲁棒地实现运动目标检测。     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背景模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验,比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背蒂模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验．比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。     

一种联合图像分割与背景建模的运动目标检测算法

介绍了在混合高斯模型的基础上,采用每一个像素点及其邻域组成的集合作为特征矢量来描述图像,对YUV格式的彩色图像的不同颜色分量分别建立混合高斯模型,从而确定是否有变化发生.为充分利用空间信息,提出将彩色图像分割与背景建模结合起来,得到具有精确边缘的运动目标.实验结果表明,即使在前景纹理、颜色比较一致且与背景对比不是很明显的情况下,本方法也能完整地检测出运动前景.     

基于元认知模型的智能混合高斯背景建模

传统混合高斯背景模型(Gaussian mixture model, GMM)不能快速适应动态场景中背景发生突变的情况. 本文提出一种基于元认知模型的智能混合高斯背景建模方法, 每个输入像素经过元认知监控成分刺激元认知体验成分以提取成功(或失败)的意识进行认知, 根据提取的意识及时向元认知知识成分传输新的认知知识或直接提取元认知知识成分, 并作出决策信息. 该方法能够对背景模型产生认知, 当背景突变为认知过的背景时, 可以快速适应并能更准确地描述复杂场景中的真实背景.     

基于改进的混合高斯背景模型的运动目标检测

混合高斯模型在应对背景中存在扰动的情况具有优势,而其不足之处主要表现在对光线变化比较敏感和当场景中前景与背景之间发生转换时容易产生较长时间的虚影.针对上述问题,提出一种融合相邻帧差法和背景减法的算法.采用了循环周期和动态更新相结合的背景重建机制,通过运用Matlab对视频图像某个像素点的S值和V值的变化情况分析来体现背景更新和重建的过程,并对背景变化前后分别采用传统算法和改进算法进行对比分析.该改进算法解决了背景模型对光线变化敏感以及容易产生虚影等问题,实验结果表明了算法的有效性和鲁棒性.     

一种多级运动目标检测算法

为了提高Javed等提出的运动目标三级检测算法的稳定性,文中对其处理方法做出改进;在像素级处理阶段,采用每一个像素点及其邻域组成的集合作为特征矢量来描述图像,对YUV格式的彩色图像的不同颜色分量分别建立混合高斯模型,得到背景模型后,计算出Sobel边缘检测得到的边缘点的统计分布;在区域级处理阶段,将彩色图像分割与背景建模结合起来,得到具有精确边缘的运动目标,并利用边缘信息消除干扰目标;实验结果表明,即使在前景纹理、颜色比较一致且与背景对比不是很明显的情况下,改进后的方法也能完整地检测出运动目标.     

基于高斯混合模型的背景建模球员检测算法

在研究体育视频的问题中,针对现有的运动目标检测方法在体育视频中易受场景变化的影响不能准确检测出运动员,提出了基于高斯混合模型的背景建模的检测算法,并应用于足球视频的球员检测.该算法首先通过预处理操作构建较为静态的背景,并将背景模型作为高斯模型的初始化参数;在模型更新中,通过相邻两帧差分处理,区分出图像变化的区域和未发生变化的区域,不同区域以不同更新率加入到背景帧,更快地实现背景重建;最后通过背景差分实现球员检测.实验结果表明,在场景不规则变化的足球视频中构建的背景有较好的自适应性,球员检测效果不错.     

双背景模型自适应运动目标检测算法在交通监控系统中的应用研究

针对现有运动目标检测算法不能满足复杂场景需求,提出一种基于高斯混合模型和时间平均模型改进的双背景模型自适应运动目标检测算法。对视频图像背景进行简单背景和复杂背景自适应判别,并建立相应的背景模型。双背景模型获取的运动目标区域信息更完整、清晰。实验表明,与传统检测算法相比,新算法在去除区域孔洞、目标区域完整性具有较好性能和优越性。     

基于边缘前景的混合高斯模型目标检测

混合高斯模型已经广泛应用于背景建模中。但是检测结果受到噪音的干扰和突变光照的影响。为了解决这个问题,将Stauffer的混合高斯模型进行改进并与边缘信息相结合。当三帧差分判断出场景变化时,像素点的学习率会自适应变化。用这种改进的混合高斯模型来获取运动物体的边缘图像和前景图像。对边缘图像进行图像膨胀,再与前景图像进行与运算,通过光流信息来填补空洞部分,得到最后的结果。实验结果表明,可以很好地去除噪音和解决光照突变的影响,提高了目标检测的效果,比传统方法更加有效。     

基于背景差法的几种背景建模方法的研究

目前最常用也最有效的运动目标检测方法是背景差法,其中背景提取是背景差法的核心。主要比较了均值滤波法、中值滤波法、混合高斯分布法三种常用的背景建模的方法,说明了各算法在不同情况下的性能优劣。通过实验发现,均值滤波法和中值滤波法适合特定的场合,混合高斯法在场景复杂的情况下效果更好。     

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。     

混合高斯模型和帧间差分相融合的自适应背景模型

提出了运动目标检测中背景动态建模的一种方法。该方法是在Stauffer等人提出的自适应混合高斯背景模型基础上,为每个像素构建混合高斯背景模型,通过融入帧间差分把每帧中的图像区分为背景区域、背景显露区域和运动物体区域。相对于背景区域,背景显露区中的像素点将以大的更新率更新背景模型,使得长时间停滞物体由背景变成运动前景时,被遮挡的背景显露区被快速恢复。与Stauffer等人提出的方法不同的是,物体运动区不再构建新的高斯分布加入到混合高斯分布模型中,减弱了慢速运动物体对背景的影响。实验结果表明,在有诸多不确定性因素的序列视频中构建的背景有较好的自适应性,能迅速响应实际场景的变化。     

一种改进的基于背景差分的运动目标检测方法

文中在介绍运动检测方法的基础上,阐述了背景差分运动检测算法的优缺点。文章为实现高效的运动检测目的,提出了改进的基于背景差分的检测方法,体现在改进的基于帧间差分实现的背景建模算法以及改进的自适应背景更新算法,综合实现了基于背景差分的运动目标检测。针对背景差分受环境约束较大的缺点,改进措施能够很好地完成效果较理想的运动检测。实验结果表明,使用文中改进的背景差分进行运动目标检测,能够趋近于得到真实的没有运动目标的背景,其次实现了背景能够很好地自适应更新以适应环境的变化,使得最终的运动目标检测取得了良好的实验效果。     

基于改进混合高斯模型与阴影去除的目标检测

随着计算机视觉和摄像设备的日益普及,目标检测技术已经成为一个重要的研究领域。虽然提出了几种目标检测方法,但由于其适用性与局限性,并不能解决实际复杂场景中的各种挑战。针对传统混合高斯模型对动态背景、光照变化和阴影敏感等问题,提出一种混合高斯模型的改进算法,用于视频中目标检测。该方法首先通过传统混合高斯模型获取当前帧目标的粗略区域;通过将双级学习率和组合权重引入混合高斯模型,从而区分出运动区域与包含动态背景的背景区域;然后进一步利用基于颜色特性与空间连续性的方法去除阴影;最后通过形态学处理提取出准确的运动目标区域。对比实验表明,所提方法不仅能够有效去除动态背景,而且能够有效抑制阴影和光照变化的影响。     

基于记忆的混合高斯背景建模

混合高斯模型(Gaussian mixture model, GMM)可对存在渐变及重复性运动的场景进行建模, 被认为是最好的背景模型之一. 然而, 它不能解决场景中存在的突变, 如门的打开/关闭等. 为解决此类问题, 受人类认知环境方式的启发, 本文将人类记忆机制引入到背景建模, 提出一种基于记忆的混合高斯模型(Memory-based GMM, MGMM). 每个像素都要经过瞬时记忆、短时记忆和长时记忆三个空间的传输和处理. 本文提出的基于记忆的背景模型能够记住曾经出现的背景, 从而能更快地适应场景的变化.     

基于相对欧氏距离的背景差值法视频目标检测

为了从包含大量冗余信息的监控视频中快速查找到运动目标,提出了一种改进的背景差值目标检测算法。首先,通过灰度化和中值滤波对视频图像进行预处理;其次,对视频帧进行抽样统计,计算各个对应像素点的灰度值的中值,建立背景模型;再次,通过大量的实验确定合适的阈值后,计算当前帧与背景模型之间欧氏距离的相对差值,并由此判断前景帧和背景帧;最后,将含有运动目标的图像或视频截取出来。实验结果表明,该方法可以更加准确有效地检测目标,可用于视频监控(如生活小区、铁路交通、仓库的监控视频等)中的目标检测。