融合像素时空信息的背景建模方法

现有的背景建模方法通常只利用像素的时间或空间信息进行建模,降低了运动目标检测的准确性,针对这一问题提出一种融合像素时空信息的背景建模方法.分别在视频图像序列的时间、空间维度上对像素灰度值进行采样,建立像素的时间和空间背景模型;在检测运动目标的过程中对时间背景模型采用“先进先出”的更新策略,对空间背景模型采用随机的更新策略.实验结果表明,时空背景建模能有效地检测出运动目标,有效减少光线变化和摄像机抖动对检测结果的影响,较好抑制动态背景的干扰.     

一种使用稀疏约束和连续约束的前景检测算法

对带有动态背景的前景检测,特别是在没有干净背景可用情况下的前景检测一直是计算机视觉领域中具有挑战性的难题.本文基于稀疏表示(SR)和马尔可夫随机场(MRF)提出了一种新的前景检测方法.首先,用前一帧的稀疏组合来表示静态背景,而在稀疏表示模型的残差中包含稀疏的前景和动态背景.然后,用马尔可夫随机场方法,利用其聚集的性质,...     

基于时空分布的混合高斯背景建模改进方法

针对传统的混合高斯模型对动态背景敏感、缓变目标检测不准确等问题,提出了一种基于时空分布的混合高斯建模改进方法。该方法的基本思想是混合高斯背景基于时间分布信息建模的同时,通过随机数生成方法对邻域进行采样,完成像素空间分布的背景建模;同时利用像素历史统计信息和决策融合机制的前景检测方法,实现对静止目标判定以及前景运动目标更精确的提取。最后,将此算法与其他前景检测方法进行对比实验,表明了该算法对动态背景鲁棒性强、缓变目标检测准确的结论。     

一种融合局部纹理和颜色信息的背景减除方法

背景减除是低级计算机视觉和视频处理的关键技术之一. 本文提出一种新的背景减除算法, 该算法将局部纹理信息和颜色信息联合起来表示背景, 并借鉴了混合高斯模型的思想, 采用多个模式描述背景模型. 为了更充分地描述纹理信息, 本文改进了LBP (Local binary pattern)算子. 实验结果表明, 本文提出的算法性能在绝大多数情况下优于现有其他算法.     

一种无线传感网络中的时空事件检测方法

在无线网络检测优化问题的研究中,事件检测是无线传感网络的主要任务。事件往往表现出复杂的时空关系。无线传感网络的事件检测大都单独局限于时间或空间域的推理和学习,事件检测准确率不高。为解决上述问题,在论述时空事件的基础上,提出了一种动态条件随机场（DCRF）的时空事件模型,采用一种基于信任传播（Belief Propagation）的时空事件检测方法。进行仿真结果表明,时空事件检测方法,在检测准确率、召回率、F1分值等性能优于马尔可夫随机场（MRF）的检测方法和贝叶斯网（DBN）检测方法。同时,所采用方法处理耗时短,适用于无线传感网络环境。     

基于时空背景模型的自适应运动目标检测方法

现有的视觉背景提取方法(ViBe)在背景建模时只利用了像素的空间信息,而忽略时间信息,降低了检测的准确性,且检测半径和背景更新的随机子采样因子都为固定常数,在动态背景干扰、相机抖动等情况下,检测效果不理想。针对这些问题,提出一种时空背景模型的自适应运动目标检测方法。首先,在ViBe方法中加入时间信息建立时空背景模型;然后,在检测和更新过程中,提出背景模型中样本的标准差能反映背景的复杂度,通过计算样本的标准差来自适应地改变检测半径和背景更新的随机子采样因子适应背景的变化。实验结果表明,改进的方法不仅能够在静态背景和光照均匀的情况下有效地检测出前景像素,而且对存在光线变化较大、相机抖动、动态背景干扰等情况也有一定的抑制作用,提高了检测的准确性。     

一种基于加权直方图的动态背景建模

场景中的光照变化及树叶和水面等的不规则运动是建立动态场景背景模型的主要困难。针对该问题,提出一种基于加权直方图的动态背景建模方法。算法首先提出融合图像序列局部空间相关性的加权直方图,并以此作为特征描述动态背景。针对该特征进一步提出一种简洁的特征聚类准则,该准则通过对亮度直方图和色度直方图区分计算聚类特征。在多个标准测试视频上进行试验,并与混合高斯模型( MOG)、标准码本模型( SCBM)、HSV码本模型( HSVCBM)和加权直方图模型( WHM)算法进行比较。实验结果表明,本文算法对场景中的动态变化具有较强的适应性。     

融合时空信息的前景/阴影视频分割算法

视频目标分割是视频目标跟踪、统计以及识别的基础.阴影是影响目标分割准确性的重要因素,有效对阴影进行检测与消除可提高视频目标分割的质量.本文提出一种采用状态机对阴影进行建模的方法,通过阴影模型来消除阴影.算法定义背景、阴影以及前景的势函数,利用马尔可夫随机场融合视频序列的时空邻域信息,采用Gibbs采样算法求解最大后验概率,提高视频目标分割的质量.在不同环境下对本文算法的有效性进行测试,并与其他算法进行比较,结果证明本文算法的有效性.     

一种基于三层圆柱体码本模型的前景检测算法

针对经典码本模型算法无法消除运动目标阴影和码本模型参数难以调节的问题,提出一种在YUV空间下的三层圆柱体码本模型算法。该算法根据运动阴影与背景相比色度相同亮度偏低的特点,在模型底部构建了阴影背景模型;根据光照变化的特点,在模型顶部构建高亮背景模型;并对亮度分量进行高斯建模,用以调节码本模型参数。实验结果表明:采用该模型和参数调节方法能较好的去除阴影和适应光照的变化,而且较好的检测精度和鲁棒性,适用于复杂环境下的前景检测。     

基于多信息融合的纹理分割新方法

为了提高纹理分割的边缘准确性和区域一致性,该文综合考虑了纹理的统计和随机特征,提出了一种摹于GMRF和Gabor滤波得到的纹理特征进行信息融合后再进行纹理分割的新方法。实验结果表明该算法适应各种不同类型的纹理图像,与传统的只利用纹理的一种特征进行分割方法相比,该方法在边缘准确性以及区域一致性等方面均有明显的改善。     

背景帧差与分块帧差相融合的运动目标检测

提出一种融合使用背景帧差和分块帧差的运动目标检测方法。该方法通过对图像的每个像素点进行学习,然后建立初始背景,通过不完全覆盖分块法对图像进行分块,对各子块进行帧间差分实现对前景图像的粗提取,采用otsu算法获取阈值,运用背景差分对前景图像进行细提取。背景采用分段学习的更新方法,能够消除光照变化、背景物体摇动等噪声。实验结果表明,该方法快速、准确,抗干扰能力强,能较好地满足实时检测运动目标的要求。     

一种基于多层背景模型的前景检测算法

动态场景中的前景检测是后继处理的基础和制约整个智能视频监控系统稳定性、可靠性的关键。为了在保证运动目标检测的基础上,进一步检测出前景中的静止目标并消除"鬼影(Ghost)",提出了一种基于多层背景模型的前景检测算法。该算法将背景分为参考背景和动态背景两层,分别采用单高斯和混合高斯模型进行背景建模。在线检测时,采用动态背景提取变化前景,用动态背景与参考背景之间高斯分布的差异提取静止前景,同时,通过逐层分析,比较输入像素与两层背景模型分布的相互关系,快速消除Ghost,降低虚警。实验结果表明,多层背景模型具有良好的检测性能和实时性,为后继跟踪、分类等处理提供了坚实的基础。目前,以该算法为核心构建了一个实时目标检测、跟踪系统,对图像大小为320×240的视频序列的平均处理速度达到15帧/s。     

多阶编码本背景模型

提出了一种新的多阶编码本背景模型。该背景模型在编码本背景模型的基础上发展而成,集成了多种流行背景模型的优点,包括帧间处理、带权重的码元、阴影检测、帧内处理等。实验结果表明,该背景模型能适应摄像机固定情况下的各种场景,结果准确,性能优越。     

马尔可夫随机场在显微图像散焦深度信息估计中的应用

针对显微视觉图像深度信息估计问题,提出了一种基于马尔可夫随机场的散焦特征参数模型;该模 型将散焦特征深度信息的估计转化为能量函数的优化问题．应用迭代条件模式（Iterated Conditional Mode,ICM） 算法进行优化,在ICM 算法中应用最小二乘估计（LSE）算法对初始点参数进行估计,从而改进了ICM 算法的性 能,防止了其进入局部最优解．实验与仿真证实了该模型和算法的有效性和可行性．     

一种新的道路交通背景提取算法及研究

基于视频的道路运动目标检测是智能交通系统的基础部分,目前最常用也最有效的运动目标检测方法是背景差分算法,其中背景提取是背景差分算法的关键一环。提出了一种新的背景提取算法——mode算法。定义了算法比较标准,并据此比较了mode算法以及一些目前流行的背景提取算法在不同车流量情况下的性能优劣。通过比较发现,在低车流量时,中值法提取的背景较好,mode算法次之;在高车流量时,用mode算法提取的背景最好。基于不同算法在不同环境下的性能不同,利用图像频域信息区分车流量大小,实现对背景提取算法的自适应选择,使得实际应用时的背景提取算法更具灵活性和针对性,也进一步提高了背景提取结果的准确度。     

一种改进的基于背景差分的运动目标检测方法

针对传统运动目标检测方法存在的缺点和不足,在对现有目标检测算法进行分析对比的基础上,设计并实现了一种简单有效的目标检测方案。首先提出了一种基于像素灰度归类和单高斯模型的背景重构算法,进而以此为基础采用背景差分法进行目标的检测,同时采用分层背景更新算法较好地解决了"拖影"和光照大面积变化的情况,最后给出了一种解决阴影的简单算法。实验结果表明,该算法高效、快速,可以满足实时检测的需要。     

自适应多模快速背景差算法

在多高斯模型的基础上,从场景中模型分布不均匀性出发,提出了一种新的快速背景差算法。该算法针对混合高斯模型中固定模型数量不足的问题,建立了模型产生和退出的机制,使模型数量能够自动适应场景特点,实现了高斯模型的实时自适应分布,即提高了准确性又有效地减少了模型的总量;同时,针对混合高斯模型中计算量大的问题,对模型参数的计算进行了优化,将耗时的浮点运算转化为整型运算,减少了计算量;算法中引入了生存时间和模型重现频率的概念,通过对模型重现频率的限制有效抑制高频噪声。与混合高斯模型的实验结果对比说明,该快速算法保持了原算法的优点,执行速度提高1倍以上,检测结果准确,算法内存消耗小,前景轮廓清晰,抑制高频噪声的能力强,整体效果优于混合高斯模型的背景差算法。     

结合l1/2范数与显著性约束的背景减除

传统背景减除模型在背景静止和前景对象移动较快时提取到的前景效果较好,但当背景变化或前景对象移动缓慢时容易将动态背景误判为前景或检测出的前景有较多空洞。针对传统背景减除模型在动态背景和前景对象移动缓慢条件下存在前景检测精度下降的问题,提出一种基于l_1/2范数与显著性约束的背景减除模型。将观测数据分为低秩背景、运动前景和动态干扰3类,利用l_1/2范数约束运动前景加强前景稀疏性,有效抑制动态背景对前景提取造成的干扰,提高运动前景在动态背景中的检测精度。引入视频每一帧的显著性约束,通过对每一帧图像进行低秩稀疏分解来检测移动缓慢的目标。实验结果表明,该模型对于复杂场景具有较强的适应能力,可有效去除动态背景对前景的干扰,快速检测出移动缓慢的前景对象,相比于l_1/1/2-RPCA背景减除模型的平均查全率、查准率和调和平均值分别提升了9、14和10个百分点。     

基于背景差与HOG-LBP的快速运动人体检测

针对单目静止摄像机近距离监控的情形,结合运动目标外接矩形长宽比,提出一种HOG特征联合LBP特征并通过PCA降维的快速运动人体检测算法。该方法包含两个步骤：运动目标提取和运动人体检测。使用帧差与背景差相结合的方法提取运动目标,帧差用于更新背景,背景差用于提取运动目标。运动目标判别即人体检测分为两个部分：单运动人体检测以及多运动人体检测。首先根据运动目标外接矩形的长宽比,把目标分为单目标以及多目标;然后,根据肤色的分布判断单个行人。对于多目标,提取HOG-LBP特征,用PCA降维,结合线性SVM进行群人目标判定。实验结果表明,该方法不仅提高了人体检测速度,还提高了人体检测率。