首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 147 毫秒
1.
对运动的真实前景目标进行实时提取是监控视频中的一个基本步骤。在前景提取过程中,阴影消除一直是一个较难解决的问题。为解决此问题,根据光照模型提出了局部强度比率模型,并证明其具有光照不变性特征。同时证明,如果视频图像噪声高斯分布,则局部强度比率也满足高斯分布。在通过高斯混合模型获取前景的过程中,用局部强度比率代替像素值进行处理,得到消除阴影后的前景。实验表明,本方法在不同的场景下可以有效地消除阴影,得到无阴影的前景,同其他方法比较,显示出较好的性能。  相似文献   

2.
《微型机与应用》2017,(19):48-51
文章提出一种基于改进的码本(CB)和高斯混合模型(GMM)的视频背景分离方法。该方法是以自适应的高斯混合模型背景为基础,为每个颜色像素构建混合高斯背景模型,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CB(Codebook)算法得到每个像素的时间序列模型,从而对高斯分布的各参数进行学习。实验结果表明,该方法在背景分离的精确度和处理时间上都表现出优异的性能,此外还具有良好的适用性,对复杂场景的变化,可以有效快速地分离视频的前景和背景。  相似文献   

3.
在复杂场景下的视频运动目标提取是视频分析技术的首要工作。为了解决前景运动目标提取的精确度不高的问题,提出一种基于视觉背景提取(ViBE)的改进视频运动目标提取算法(ViBE+)。首先,在背景模型初始化阶段采用像素的菱形邻域来简化样本信息;其次,在前景运动目标提取阶段引入自适应分割阈值来适应场景的动态变化;最后,在更新阶段提出背景重建和调整更新因子方法来处理光照变化的情形。实验结果表明,对于复杂视频场景LightSwitch的运动目标提取结果在相似度指标上,改进后的算法与混合高斯模型(GMM)算法、码本模型算法以及原始ViBE算法相比,分别提高了1.3倍、1.9倍以及3.8倍。所提算法能够在有效时间内对复杂场景具有较好的自适应性,且性能明显优于对比算法。  相似文献   

4.
基于改进高斯混合模型的前景检测   总被引:1,自引:0,他引:1       下载免费PDF全文
针对自适应混合高斯背景模型执行速度慢、检测前景时容易产生“鬼影”等问题,提出一种改进的混合高斯背景建模方法。该方法通过对高斯分布权值和生存时间的限制,建立高斯分布退出机制,使模型能根据场景自适应选择每个像素的高斯分布个数,从而去除多余高斯分布,加快算法执行速度。在模型更新过程中,通过融入帧间差分,将每帧图像分成运动像素、背景像素及非真实运动像素,并通过对非真实运动像素赋予较大学习率来加速移出背景的恢复,从而避免“鬼影”和拖影现象。实验结果表明,与传统检测方法相比,该方法可以获得更好的目标检测效果。  相似文献   

5.
程全  马军勇 《计算机科学》2014,41(7):318-321
基于高斯混合模型,提出了一种自适应的运动目标检测算法。首先,根据各像素点的像素值的集中程度,自适应地选择高斯分布的个数对背景模型进行学习与更新,再通过背景差分获取差分图像;其次,在对图像二值化的过程中,提出了一种改进的自动调整阈值的方法,用以对差分图像的像素进行分类后分别进行阈值化分割,这样就能得到前景目标;接着采用形态学重构的方法对阴影进行有效消除,从而使前景目标分割的效果得到有效的提高。实验证明,该方法具有较好的鲁棒性和检测效果,同时也具有较好的自适应性,特别是在检测目标本身灰度变化比较大等特殊情况下,更能体现出本算法的优越性。  相似文献   

6.
混合高斯模型和差分法相融合的运动目标检测   总被引:1,自引:0,他引:1  
提出运动目标检测中背景动态建模和OTSU局部递归分割的一种方法,该方法在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,通过帧间差分把每帧中的图像区分为背景区域和运动区域,背景区域中像素点将以特定的更新率更新背景模型,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.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.  相似文献   

7.
混合高斯模型和帧间差分相融合的自适应背景模型   总被引:12,自引:2,他引:10       下载免费PDF全文
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。  相似文献   

8.
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。  相似文献   

9.
《工矿自动化》2016,(4):31-36
针对煤矿智能视频监控环境存在各种复杂动态场景变化的情况,研究了运动目标检测中的3个重要环节:背景建模与更新、前景检测和运动阴影检测与去除。针对这3个环节,提出了相应的处理方法:基于IFCM聚类算法的自适应背景建模与更新方法,对像素灰度取值进行无监督聚类,自适应选取不同个数的聚类构建各像素背景模型,随场景变化进行聚类修改、添加和删除以完成背景自动更新;联合背景差分信息、三帧差分信息和空间邻域信息的前景检测方法,据此获得较为准确的前景目标;运动阴影检测与去除方法,依据在阴影覆盖前后的灰度图像中,像素具有亮度值相关性和纹理特征值不变性,实现了运动阴影的检测与去除。实验结果验证了本文所提方法的有效性和优越性。  相似文献   

10.
不同曝光值图像的直接融合方法   总被引:1,自引:0,他引:1  
张军  戴霞  孙德全  王邦平 《软件学报》2011,22(4):813-825
提出了一种直接从同一场景多次不同曝光值下成像的LDR(low dynamic range)图像序列中提取每个像素位置最佳成像信息的图像融合方法,可以在无需任何拍摄相机参数及场景先验信息的情况下,快速合成适合在常规设备上显示的HDR(high dynamic range)图像.该方法利用特殊设计的鲁棒性曲线拟合算法建立LDR图像序列中每个像素位置像素值曲线的数学模型,并由此给出评价单个像素成像时曝光合适程度的标准和融合最佳成像像素信息的方法.对不同场景的大量实验结果显示,该方法的计算结果与传统HDR成像技术经过复杂的HDR重建和色调映射计算后得到的结果相当,但具有更高的计算效率,并同时对图像噪声、相机微小移动和运动目标的影响具有较好的鲁棒性.  相似文献   

11.
视频监控中一种完整提取运动目标的检测算法   总被引:2,自引:0,他引:2  
提出一种视频监控中完整、精确提取运动目标前景的检测算法.首先对彩色图像建立混合高斯模型,由背景差分法得到基本准确的前景图像;然后和对称差分法图像综合,得到完整可靠的运动目标图像;再利用亮度信息消除运动目标阴影;最后利用形态学滤波和连通区域面积检测进行后处理.实验结果表明,该算法检测的运动目标前景信息完整准确,对固定场景下的视频监控系统具有一定实用价值.  相似文献   

12.
王典  程咏梅  杨涛  潘泉  赵春晖 《计算机应用》2006,26(5):1021-1023
复杂场景的背景建模、运动目标检测、运动目标所投射阴影的检测与抑制在智能监控、机器人视觉、视频会议等领域有着广泛的应用。在运动前景检测阶段,给出了一种改进的混合高斯算法进行场景的背景建模,根据各点像素值出现的混乱程度采取不同的高斯函数参数更新机制,缓解了混合高斯算法计算量大的问题。在运动目标的阴影检测与抑制中,提出了一种基于混合高斯的阴影抑制算法,该算法先利用阴影在HSV颜色空间的特点,判断被检测为运动前景的像素是否为疑似阴影,然后用混合高斯阴影模型对所有疑似阴影值进行聚类,进一步完成阴影抑制。仿真结果表明:该算法可更有效地抑制阴影对运动目标检测的影响,并具有较强的实时性。  相似文献   

13.
复杂场景实时目标检测方法   总被引:3,自引:0,他引:3  
针对含有非平稳背景的复杂场景,提出一种基于空间混合高斯模型的实时目标检测方法.该方法以混合高斯模型作为颜色分布的统计框架,并在空间邻域中利用背景与前景隶属度之间的竞争确定像素的归属,提高了检测准确率;同时通过基于偏差均值的匹配判断和低权重模型的移除提升了混合高斯统计框架的性能,以实时地对运动目标进行准确的检测.实验结果表明,文中方法对非平稳背景有很好的适应能力,在检测准确率和运行效率上均优于其他检测方法.  相似文献   

14.
为实现智能监控中有效的目标检测,提出了一种综合的动态背景提取和阴影去除方法。该方法应用多层次信息对混合高斯背景模型进行更新以获取高质量的彩色场景背景;同时,在前景提取过程中,结合RGB和HSI彩色信息对像素进行递进式分类,实现对阴影的去除。以此为基础实现的智能监控系统,实现了目标的跟踪与异常行为检测。经过不同场景的实验证明,本文所提方法能够满足实际应用的要求,具有良好的性能。  相似文献   

15.
运动目标检测是实现智能视频监控的基础,针对当前运动目标检测方法在复杂场景中适应性差的问题,提出了一种结合时空马尔可夫随机场模型和高斯混合模型的运动目标检测方法。在训练时空马尔可夫随机场模型时,采用高斯混合模型的参数更新算法计算邻域图像分割区域的均值和方差,并通过时空邻域标记场设置势函数。通过与传统目标检测方法的仿真比较,验证了该方法的优越性。结果表明,与传统的目标检测方法相比,该方法在复杂场景下具有更高的检测精度,能够更清晰地分割前景中的运动目标。  相似文献   

16.
一种基于多层背景模型的前景检测算法   总被引:4,自引:0,他引:4       下载免费PDF全文
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。  相似文献   

17.
18.
Foreground segmentation of moving regions in image sequences is a fundamental step in many vision systems including automated video surveillance, human-machine interface, and optical motion capture. Many models have been introduced to deal with the problems of modeling the background and detecting the moving objects in the scene. One of the successful solutions to these problems is the use of the well-known adaptive Gaussian mixture model. However, this method suffers from some drawbacks. Modeling the background using the Gaussian mixture implies the assumption that the background and foreground distributions are Gaussians which is not always the case for most environments. In addition, it is unable to distinguish between moving shadows and moving objects. In this paper, we try to overcome these problem using a mixture of asymmetric Gaussians to enhance the robustness and flexibility of mixture modeling, and a shadow detection scheme to remove unwanted shadows from the scene. Furthermore, we apply this method to real image sequences of both indoor and outdoor scenes. The results of comparing our method to different state of the art background subtraction methods show the efficiency of our model for real-time segmentation.  相似文献   

19.
Background modeling is widely used in visual surveillance systems aiming to facilitate analysis of real-world video scenes. The goal is to discriminate between pixels from foreground objects and those ones from the background. However, real-world scenarios tend to have time and spatial non-stationary variations, being difficult to reveal the foreground and background entities from video data. Here, we propose a novel adaptive background modeling, termed Object-based Selective Updating with Correntropy (OSUC), to support video-based surveillance systems. Our approach that is developed within an adaptive learning framework unveils existing spatio-temporal pixel relationships, making use of a single Gaussian for the model representation stage. Moreover, we introduce a background updating scheme composed of an updating rule that is based on the stochastic gradient algorithm and Correntropy cost function. As a result, this scheme can extract the temporal statistical pixel distribution, at the same time, dealing with non-stationary pixel value fluctuations that affect the background model. Here, an automatic tuning strategy of the cost function bandwidth parameter is carried out that can handle both Gaussian and non-Gaussian noise environments. Besides, to include pixel spatial relationships in the background modeling processing, we introduce an object-based selective learning rate strategy for enhancing the background modeling accuracy. Particularly, an object motion analysis stage is presented to detect and track foreground entities based on pixel intensities and motion direction attained via optical flow computation. Testing is provided on well-known datasets for discriminating between foreground and background that include stationary and non-stationary behaviors. Achieved results show that the OSUC outperforms, in most of the considered cases, the-state-of-the-art approaches with an affordable computational cost. Therefore, the proposed approach is suitable for supporting real-world video-based surveillance systems.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号