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。     

基于改进高斯混合模型的前景检测

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。     

基于改进的混合高斯模型的运动目标提取

背景提取技术是图像与视频处理中的关键技术.文中对静态背景下运动目标的提取算法进行了研究.混合高斯算法在近年得到了广泛的关注,但是算法使用固定个数的分布建模,在实际中不能满足最优模型,并且模型对学习率的调整比较敏感.文中提出改进的自适应算法提取前景运动目标,其中主要针对模型中的混合高斯分布的个数及学习判别准则进行了改进.实验证明,该改进算法相比传统算法有着较好的自适应性并且检测效率较高.     

自适应混合高斯背景模型的改进

对自适应混合高斯背景模型进行了改进，将背景重构和前景消融时间控制机制整合到传统自适应混合高斯背景模型中，以提高运动分割的质量。背景重构算法从含有运动物体的动态场景视频序列中重构静态背景图像，然后用重构的静态背景图像初始化自适应混合高斯背景模型；而前景消融时间控制机制则使运动物体停止时的前景消融时间独立于背景模型的学习速率，从而可以根据需要调节前景消融的持续时间。实验结果表明了算法的有效性。     

基于YCbCr的自适应混合高斯模型背景建模

混合高斯模型是最常用的背景建模方法之一,但是它的精确度是以耗时为代价的,且它在RGB颜色空间进行背景建模时,对噪声的处理效果一般。因此,对混合高斯模型进行改进,提出了一种基于YCbCr的自适应混合高斯模型背景建模方法。首先,将建模颜色空间从RGB转换到YCbCr;然后,采用自适应选择策略来确定混合高斯模型的高斯成分个数;最后,将高斯成分按照关键字的值进行排序,以确定背景模型。将提出的建模方法应用于运动目标检测,实验结果表明,提出的方法与混合高斯模型背景建模相比,运动目标检测的检测结果更准确,耗时更少。     

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。     

改进的自适应混合高斯前景检测方法

针对混合高斯背景模型计算量大、存在阴影和鬼影的不足,提出一种基于混合高斯模型的改进前景检测算法。通过分析背景的稳定性来选择连续或隔帧更新方式对背景模型中的参数进行更新,提高算法的运算速度。在背景更新方面,让更新率与权值相关联从而使更新率随权值改变并且对目标移动后显露的背景像素给予更大的更新率,提高背景的稳定性并解决鬼影现象及前景与背景转化的问题。对检测出的目标,用适应性更高的RGB颜色空间畸变模型进行阴影检测和消除,并进行高斯金字塔滤波和形态学滤波处理,以得到更好的前景目标。实验结果表明,该方法能提高算法的计算效率且准确地分割前景目标。     

基于混合高斯模型定位的火灾烟雾纹理特征提取

视觉(图像型)火灾探测需要提取较高质量的目标纹理特征用于火灾识别。本文利用混合高斯模型对烟雾目标进行前景提取,并且屏蔽掉非运动的背景图像,然后根据结果图像的灰度分布,计算灰度共现距阵,提取纹理特征。     

基于混合高斯模型定位的火灾烟雾纹理特征提取

视觉(图像型)火灾探测需要提取较高质量的目标纹理特征用于火灾识别.本文利用混合高斯模型对烟雾目标进行前景提取,并且屏蔽掉非运动的背景图像,然后根据结果图像的灰度分布,计算灰度共现距阵,提取纹理特征.     

一种改进的混合高斯模型背景估计方法

传统混合高斯模型一般为每个像素分配固定的高斯分布个数,从而造成背景形成速度的减慢和系统资源的浪费;同时也存在着高斯模型背景建模中的缓慢或滞留运动物体造成目标误判现象的问题(即空洞问题)。为此,提出了一种有效的两阶段视频图像处理方法。该方法在第一阶段根据像素点的优先级大小自动地调节高斯分布的数目,在第二阶段首先对像素点进行所属区域的划分,进而对目标区域和非目标区域采取不同的更新手段。实验表明,采用两阶段视频图像处理方法明显地改善了背景建模的速度,有效解决了提取目标出现的空洞问题。     

混合高斯模型运动检测算法优化

针对经典混合高斯算法对非平稳场景过于敏感的问题, 提出了混合高斯模型运动检测算法的优化方法。在检测算法流程的匹配高斯模态选择、模型更新和背景显示上分别作了优化：综合考虑模态权重与模态自身匹配度, 选择匹配高斯模态; 统一初始化与检测过程中的模型更新, 即使视频检测的背景变化较大, 系统也能较快地建立理想背景模型; 综合考虑背景模型各模态分布, 清楚反映了背景模型的具体分布。实验结果表明, 与经典混合高斯算法相比, 优化算法在克服背景扰动、降低误检率上表现良好, 有效提高了混合高斯算法对场景变化的适应性。优化算法在实际工程应用中效果良好。     

自适应混合高斯背景模型的运动目标检测方法

提出了一种静止摄像机条件下自适应的运动目标检测方法。该方法基于同一像素点被同一灰度车辆覆盖几率小的假设构建初始背景,为每个像素点在线选择高斯分布个数。根据像素点与其邻域像素间存在联系的思想,在线更新学习率。最后用背景差分法检测出运动目标。实验结果表明,同基于传统混合高斯模型的运动目标检测方法相比,该方法有较好的自适应性,能快速适应场景的变化。     

复杂场景下自适应背景减除算法

目的 复杂场景下的背景减除是智能视频监控研究领域的研究重点和热点之一.针对混合高斯模型中高斯分布个数固定和参数初始化粗糙问题,提出一种应用于复杂场景中的基于混合高斯模型的自适应背景减除算法(AMGBS).方法 通过灰度值归类算法自适应调整模型的高斯分布个数,使得背景模型能够适应场景的变化,并且结合在线 K均值(online K-means)算法和在线期望最大化(online EM)算法初始化混合高斯模型参数.结果 针对灰度值统计结果调整高斯分布数,以及采用优化参数初始化过程,实验表明,本文方法的平均查准率和平均查全率比传统的混合高斯算法高出10%左右,比其他改进的混合高斯算法高出2%左右.结论 提出一种新的自适应背景减除算法,针对灰度值统计结果调整高斯分布数,以及采用优化参数初始化过程.实验结果表明,该方法对复杂场景有较强的适应能力,能够有效快速地完成背景减除,进而实现运动目标的提取.     

于混合高斯莫型与联合特征的行人检测方法

针对视频环境下行人检测多数采用窗口滑动方法识别慢、不能快速找到行人窗口的缺点,提出了一种基于组合算法的行人目标识别方法,利用高斯混合模型方法提取视频中的运动前景,划定一个泛目标窗口,再使用HOG-l bp联合特征训练的分类器对泛目标窗口进行分类,得到分类结果,对行人目标进行标记.经实验验证:该方法相对于当前行人检测方法,检测速度和正确率都取得了很好的效果.     

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。     

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。     

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。