基于双层背景的遗弃物检测方法

提出一种基于双层背景的遗弃物检测方法。分别采用滑动平均算法和改进的高斯混合模型,对参考背景和动态背景进行建模,通过2个背景得到前景间的差异,以此提取静止前景,对检测到的静止物体进行直方图匹配以消除鬼影,在前景检测的基础上引入均值漂移算法和粒子滤波算法,处理物体间遮挡问题。实验结果证明了该方法的有效性。     

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。     

基于改进高斯混合模型的自适应前景提取

在复杂场景下的运动前景提取是智能视频监控的基础部分。高斯混合模型是常用的背景建模方法,针对高斯混合模型中模型个数固化导致的无谓的系统开销,提出基于单高斯模型成长的动态个数调整形成的高斯混合模型。对模型的更新率根据场景变化的剧烈程度进行实时改变,能较好适应突发场景、光照的变化。对提取的运动前景进行形态学处理,得到最后的提取目标。实验结果表明,该方法背景建模适应性强,提取前景精度有所提升。     

复杂背景下改进视觉背景提取的前景检测算法

针对视觉背景提取模型存在的鬼影抑制效果差、动态背景适应能力不足等问题,本文提出了一种改进的视觉背景提取模型算法。在模型构建阶段,该算法充分融合时空域信息初始化背景模型,避免了样本的重复选取,提高了鬼影抑制能力;在像素分类阶段,根据背景动态程度,引入自适应距离阈值代替全局固定阈值,增强了模型对动态背景的适应性;在背景更新阶段,对连续多帧判定为前景的像素点进行阈值判断,并及时更新到背景模型,消除了运动背景与静止前景造成的虚影现象。多个公开视频数据的测试结果表明,本文算法相比典型算法在复杂背景下检测的准确性和鲁棒性都有了很大提高。     

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。     

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。     

基于改进高斯混合模型的实时运动目标检测与跟踪*

为提高运动目标检测与跟踪的可靠性,提出了一种基于改进高斯混合模型的实时运动目标检测与跟踪算法。该算法建立可自动调节分布数目的高斯混合背景模型,通过背景减除获取前景图像;利用目标相邻帧的连续性分割运动目标;在此基础上将传统的颜色直方图模型进行改进,提高目标颜色分布的可信度,进而根据目标的位置、大小和颜色构造运动目标全局匹配相似度函数,实时完成运动目标检测与跟踪。利用大量的监控视频数据进行验证,结果表明,与传统的检测跟踪算法相比,该算法减少了计算量,提高了复杂背景情况下运动目标检测与跟踪的可靠性。     

一种基于背景模型的运动目标检测与跟踪算法

本文提出了一种静止摄像机条件下的运动目标检测与跟踪算法．它以一种改进的自适应混合 高斯模型为背景更新方法，用连通区检测算法分割出前景目标，以Kalman滤波为运动模型实 现对运动目标的连续跟踪．在目标跟踪时，该算法针对目标遮挡引起的各种可能情况进行了 分析，引入了对运动目标的可靠性度量，增强了目标跟踪的稳定性和可靠性．在对多个室外 视频序列的实验中，该算法显示了良好的性能，说明它对于各种外部因素的影响，如光照变 化、阴影、目标遮挡等，具有很强的适应能力．     

一种基于双背景模型的遗留物检测方法

针对一般遗留物检测算法运算量大和难以适应遮挡情况的问题,提出了一种静止单摄像机条件下快速有效的遗留物检测算法。算法建立了两个基于累积均值更新法的背景模型,分别称之为纯背景模型和脏背景模型。通过两个背景的差别得到静止目标块,并对静止目标块进行跟踪,当静止目标停留超过设定的时间即判定其为遗留物并触发报警。由于算法避免了使用复杂度数学概率背景模型,大大减低了背景更新的计算复杂度,使算法能满足视频监控系统实时处理的要求。同时,算法在静止目标跟踪模块中增加了碰撞帧数计数使遮挡情况下的遗留物跟踪得到更好的效果。在PETS2006数据集提供的多个视频序列实验中,该算法显示了良好的性能。     

基于匹配反馈量改进GMM的前景检测算法

传统混合高斯模型在进行运动目标检测时,由于背景模型阈值和模型学习速率均采用固定参数,不能有效适应复杂变化的场景。为解决该问题,提出一种基于匹配反馈量改进混合高斯模型的前景检测算法。通过对模型控制参数进行研究分析,提出一种根据各像素点匹配情况对背景模型阈值进行动态调整,并根据反馈量自适应调节学习速率的策略。实验结果表明,该方法应对复杂变化的视频监控场景时可以有效、准确、快速地提取前景目标。     

利用混合高斯和拓扑结构的人体“鬼影”抑制算法

若在建模时存在目标,部分目标像素会进入背景模型,会在检测时产生“鬼影”。为了有效抑制“鬼影”,提出一种利用混合高斯和拓扑结构(Gaussian mixture model and topological structure,GMMT)的人体“鬼影”抑制算法。算法分为两个阶段,背景建模阶段采用双通道建模,通道一利用混合高斯模型进行预检测,接着利用拓扑结构将分散的人体目标连接获得完整的目标并取其外接矩形,然后将矩形外的像素加入背景模型,经过多帧的建模得到空背景;通道二使用多帧平均法计算背景模型。通过设置建模帧数的阈值T选择建模方式,若建模帧数小于T则使用通道一建模,否则使用双通道联合建模。目标检测阶段利用改进的背景差分法实现人体分割并进一步消除 “鬼影”。经过测试,GMMT在建模阶段存在目标的情况下可有效地抑制 “鬼影”。     

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。     

新型背景混合高斯模型

针对背景减除法中经典混合高斯模型计算量过大的问题,提出一种新的背景混合高斯模型。该方法利用偏差均值作为判断模型是否与当前像素值匹配的阈值参数,有效减少了经典模型中由于开平方及指数运算带来的庞大计算量;同时引入持续平稳时间的概念,采用非线性权值更新方法,能够使较长时间停留在场景中的物体迅速成为背景。实验结果表明,该方法显著提高了背景模型的计算效率。     

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。     

一种用于智能监控的目标检测和跟踪方法*

在对现有目标检测、跟踪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和跟踪方案。首先提出了一种基于像素灰度归类和单模态高斯模型的背景重构算法,能够利用多帧包含前景目标的场景图像重构准确的背景模型。进而以此为基础采用背景减法进行各帧中目标的检测,并选取形心作为匹配特征实现了场景中多个目标的有效跟踪。实验表明,该方法实现简单,无须事先提供背景图像即可实现目标的准确检测和跟踪,其性能明显优于传统基于时间平均背景模型的方法。     

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。     

基于混合高斯模型的运动目标检测算法

针对智能交通系统中运动目标检测阶段存在的不足,提出了一种基于自适应混合高斯模型(GMM)的改进算法。将隔帧差分的方法引入背景建模的初始判别阶段,从而迅速地检测出运动变化区域,提高了算法的灵敏度,同时也增强了对缓慢运行车辆的检测的适用性;将划分出的背景及运动区域赋予不同的更新率,使得背景显露区域得到迅速恢复,消去了运动车辆留下的"影子"。在此较为精确的背景模型下,结合灰度和canny边缘特征进行背景差分,有效地保留了与背景灰度相似的运动目标的轮廓。通过实验证明该检测算法取得了较好的效果。     

基于高斯背景模型的车辆检测改进算法

针对车辆检测中实时性、准确性以及自适应性很难兼顾的问题,提出了一种快速有效的车辆检测算法。该算法采用阈值判定背景区域和更新区域,根据背景变化的程度,利用动态权值更新学习率,使用基于单高斯背景模型方法,结合逻辑"或"运算检测出车辆。实验结果表明,该算法能够快速准确地检测出车辆,并且在背景更新过程中实现了自适应,并具有一定的鲁棒性。