基于高斯混合模型的海面运动目标检测

提出了一种基于变化检测的高斯混合模型参数估计方法,建立了象素点背景模型并用于海面运动目标的检测。在实验部分,将该方法估计的高斯混合背景模型的参数与基于迭代的EM算法估计的模型参数做比较,模拟实验的结果表明两者估计的参数值相差不大,而在对视频流中的象素点灰度值分布的逼近中,该文的方法比EM算法更接近真实的分布,并且在一定程度上减少了建立背景模型的所需的内存和计算时间。运动目标检测的结果表明,使用该方法建立的背景模型可以比较准确地检测到海面上的运动船只。     

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。     

基于改进的混合高斯模型的运动目标检测

针对现有方法在复杂多变环境下不能很好地检测出运动物体的问题,提出了改进的基于混合高斯模型的背景消减法,并对运动目标进行检测。模型初始化时,提出了一种能准确得到实际背景模型的方法;在模型更新中引入了加速因子和合理性反馈使得模型能更快、更准确地反应真实的背景。实验结果表明,同传统检测方法相比,改进的混合高斯模型方法能有效地消除物体发生运动时产生的拖影,并能很好地检测出运动物体。     

快速混合高斯模型的运动目标检测

针对经典混合高斯模型算法在实际应用中计算量大实时性差,且对光线变化和运动物体速度敏感的缺点,提出一种改进的快速检测算法。通过选取合适的间距,先用帧间差分法提取出完整的运动区域和背景区域,只对前者进行混合高斯模型匹配,来降低计算量。对背景图像不同区域采用不同背景更新率,及时响应背景变化。最后引入一个光线突变参数,来预防光线突变给检测带来的干扰。通过实验,证明本算法在实时性,鲁棒性,稳定性等上有了很大的改善,能够很好的检测出运动目标。     

基于改进型高斯混合模型的嵌入式实时运动检测系统

混合高斯模型由于其计算量大,算法结构复杂,难以在嵌入式系统中实现运动物体的实时检测,为解决此问题,文中提出了一种基于改进型混合高斯模型的实时运动检测方案,对混合高斯模型进行简化和结构调整,同时进行了C语言层面和CPU层级的优化,使其更合适于嵌入式平台,并详细分析了DM6446平台的软硬件设计,介绍了该算法在DM6446平台上的实现过程;实验结果表明:该系统能够有效克服外界环境变化带来的干扰,能够实时检测,可以实现多目标跟踪。     

基于混合高斯模型的运动目标检测方法

研究了序列图像中的运动目标检测问题。传统的目标检测方法无法克服背景图像变化、场景光线突变、目标物阴影干扰等问题。采用混合高斯分布对背景进行建模,引入亮度信息进行前序处理,并在此基础上使用颜色模型对残留阴影进行移除,因此能够快速准确地检测出运动目标。通过相关仿真实验,证明了该方法具有可靠性和实时性。     

基于高斯混合模型联合CamShift的运动图像检测跟踪方法

CamShift算法是典型的运动图像跟踪方法,但是单纯CamShift准确率低,容易丢失目标。为提高准确略,本文提出将高斯混合模型运用到CamShift算法中进行目标跟踪操作。首先采用高斯混合模型标示出目标局部区域,并将其作为CamShift的初始搜索窗,提高效率;随后对目标进行跟踪时将CamShift算法的窗中心同差分法计算出的目标区域中心作对比,确定后续帧搜索窗,避免目标跟踪丢失。最后,实验证明了该方法可以对目标进行有效跟踪,且在目标颜色同背景色差异小的情况下依然具有非常高的准确率。     

应用改进混合高斯模型的运动目标检测

在运动目标检测过程中,背景建模对目标提取至关重要,而混合高斯模型是目前背景建模中较流行的方法之一。针对混合高斯模型中存在的不足做了两点改进：（1）混合高斯模型是对各点孤立建模,对于拥有较高的分辨率的图像运算量较大,引入分块建模思想,可以明显提高目标检测的速率而且考虑到像素点之间的空域信息;（2）混合高斯模型对运动目标停留在场景中某一位置停留过长时,会出现将前景转化成背景,以致于产生目标在场景中消失的现象,根据目标在场景中运动与静止的情况,决定是整帧更新还是只更新背景区域。通过实验可以得出,该算法在不影响识别的情况下可以显著地提高运动目标的检测速率,而且可以减少部分噪声,另外也能有效地克服目标转化为背景的情况,从而保持了运动目标出现的连续性。     

基于改进的高斯混合模型的运动目标检测

运动目标检测是实现目标跟踪、视频监控的基础.针对基于高斯混合模型的运动目标检测算法的不足,提出了一种基于分块思想和高斯模型个数自适应的改进高斯混合算法.利用对视频图像分块的思想,在提高目标检测效率的同时,实现对视频的滤波处理;并利用高斯混合模型中高斯分布个数自适应操作来降低算法复杂度,提高运动目标检测的速度.实验结果表明:该算法比传统高斯混合模型运动目标检测算法具有更快的检测速度和更好的检测效果,并降低了检测噪声,能有效地检测运动目标,适用于运动目标的实时检测.     

基于混合高斯运动检测模型与多特征的烟雾识别算法

为了有效克服复杂环境下动态、静态疑似烟雾物体的干扰,实现对烟雾的实时准确检测,提出基于混合高斯运动检测模型与多特征分析的烟雾识别算法。首先应用优化的混合高斯运动分析模型对视频图像序列进行运动区域提取,然后依据烟雾的颜色特性、形状不规则性及面积扩散特点,对提取的疑似烟雾运动区域进行分析与筛选,从而判定出其是否为烟雾。实验结果表明:该算法可实时提取视频中的烟雾区域,并有效剔除疑似烟雾区域的干扰,具有良好的烟雾识别能力。     

一种基于HOG-PCA的高效图像分类方法

为了更有效地提高图像分类性能和准确率, 提出一种基于HOG-PCA的高效图像分类方法。首先通过提取方向梯度直方图（HOG）特征并作特征白化, 再随机下采样进行尺度统一, 随后采用主成分分析（PCA）进行特征映射, 最后用最小二阶范数判定进行最近邻分类。实验中, 采用C++, 基于OpenCV和Darwin实现了提出的方法, 并在Pascal 2012数据集上进行测试, 比较了该方法和BOW-SVM方法的准确率和运行性能。实验证明, 提出的方法具有更高的准确率和更好的运行性能。     

视频中基于LW-PGD和SVM的头肩部检测

针对视频中的行人检测问题, 提出了LW-PGD (locating windows based on the pixel gradient direction of the top of head)快速定位头肩部和基于融合特征检测的方法。首先利用头顶像素点的梯度方向具有固定范围这一特性在前景中找出头顶候选点, 根据该点快速确定人体头肩部区域, 将其作为待测窗口; 然后提取待测窗口的方向梯度直方图 (histogram of oriented gradient, HOG)特征和HSV(hue saturation value) 颜色特征; 最后采用支持向量机(support vector machine, SVM)训练得到人体头肩部的分类器。实验表明, 与传统的滑动窗口搜索方法相比, 根据头顶点可以快速选取含有人体头肩部的待测窗口, 提高了检测的效率; HOG和HSV多特征融合提高了检测的精确性, 从而提出的算法有助于后续的行人分析。     

基于多层码本模型的遗弃行李检测算法

提出一种在公共场所智能检测遗弃行李的新算法框架。首先使用多层码本模型检测场景中的稳定前景区域作为可疑区域,之后结合梯度方向直方图特征设计一种消除光照影响的机制,最后使用同样基于梯度方向直方图的快速行人检测算法消除行人的影响。实验结果表明,该方法计算复杂度低,在一些标准数据库上能有效检测遗弃行李,并对复杂场景有较好的鲁棒性。提出的算法框架可以应用到公共场所的监控系统中。     

低维度特征的行人检测方法

针对梯度方向直方图(HOG)算法采用网格密集的大小统一的细胞单元提取行人特征,导致大量高维度的冗余特征问题,提出了低维度特征进行行人检测的算法,建立了以空间金字塔为核心的低维度特征目标模型.该模型通过角点检测算法获取目标轮廓信息,以角点为参考点取16* 16像素区域内的梯度方向直方图作为行人特征,利用空间金字塔模型对图像进行分决,按块提取维数统一的特征向量并串联起来形成最终的特征向量.实验结果表明了该方法的准确性和有效性.     

基于ZYNQ的行人检测系统的设计与实现

随着行人检测技术的发展和应用,迫切需要能够进行实时处理的嵌入式行人检测系统。采用ZYNQ-7000作为算法平台,设计一种基于HOG与AdaBoost级联分类器的行人检测系统。利用FPGA的并行特性,采用流水线结构替代传统的串行结构,实现HOG算法加速;将AdaBoost级联分类器保存在FPGA的BRAM中,通过查找表的方式,在单个时钟周期内即可完成匹配判断。利用ZYNQ的软硬件协同设计,根据功能和资源进行软硬件分工,提高系统性能。实验结果表明,该设计方法在保持同等检测性能的条件下,检测速度相比ARM片上系统提高了44倍。     

基于级联式Boosting方法的人脸检测

提出一种基于级联式Boosting方法的人脸检测算法。先用PCA方法对人脸图像进行特征参数的提取,在此基础上,利用算法中的每一个Boosting分类器学习的历史信息,基于线性回归特征消除（RFE）策略,消除AdaBoost中的冗余,据此判别一幅图像是否为人脸图像。在ORL人脸图像库的仿真实验结果显示,这种方法明显提高了检测性能,证明了该算法是有效的。     

一种基于ICA空间高斯混合模型的新颖检测*

新颖检测中,可应用高斯混合模型建立已知数据模型,拟合数据分布,但当数据维数较高时,自由参数太多,训练需要巨大的数据采样,而ICA搜寻数据的最大统计独立表示,可以将数据从高维空间投影到低维空间。提出一种基于ICA空间高斯混合模型的新颖检测,可有效减少估测的自由参数,降低训练数据采样的苛刻要求,实验也验证了该方法的可行性。     

基于Adaboost和PCA的嵌入式人脸识别方法

针对传统的Adaboost算法和主成分分析(PCA)算法用于人脸识别时在环境与姿态等非约束性条件下识别率大大降低以及要求训练样本符合高斯分布的缺陷,提出了一种融合Adaboost和PCA的与或关联决策方法.一方面,在需要安防模式时开启或决策,拒绝近似全部负样本的请求,最大限度保证识别的正确率;另一方面,在需要访客模式时开启与决策,以减少正样本的丢失.在Samsung 2440嵌入式Linux平台上采用该方法进行人脸检测时,基于2种决策方法,分别满足各自阈值.实验结果表明:该方法在嵌入式平台运行稳定,适合推广于智能家居控制与楼宇自动化控制.     

基于多时相遥感图像的人造目标变化检测算法

传统的像素级变化检测方法的检测性能受到以下因素的严重制约: 图像辐射差异、配准误差和差异图像分类门限的选取, 并且难以从检测信息中提取出关键的变化. 本文针对遥感图像中人造目标的变化检测问题, 提出了一种综合特征级和像素级的两步变化检测算法. 首先将大幅多时相遥感图像分成一系列子图像对, 采用有监督子图像对分类方法, 提取人造目标变化的感兴趣区域, 然后采用像素级变化检测算法对感兴趣区域进行变化检测, 得到定量的检测结果. 实验结果表明了该算法的可行性和有效性.     

基于亮度信息的红外行人检测

红外图像中的行人具备边缘和亮度两个显著特征信息。为了能够充分利用这两种信息,在亮度直方图特征基础上,提出了一种不同区间大小的亮度直方图特征。通过统计分析红外图像中行人各部件对应的亮度区间信息,确定映射规则,从而构建不同区间大小的亮度直方图,然后通过与梯度方向直方图特征相结合,并用于Adaboost模型训练。该方法提高了行人检测系统的检测率。