排序方式: 共有22条查询结果,搜索用时 15 毫秒
1.
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
2.
背景差法是目标运动检测的主流方法,关键在于背景模型自适应更新.针对传统特征基背景模型批处理方式计算量大、更新速度慢的问题,采用增量式主成分分析来建立特征基背景模型.首先计算样本图像的初始背景图像,然后采用CCFIPCA算法更新特征基背景模型,最后通过输入帧和重建帧的欧氏距离检测前景运动目标.算法以视频帧整体来建立背景模型,克服了混合高斯模型和核密度估计以孤立像素点建模的不足,提高了背景建模的鲁棒性.在SIMULINK下的仿真实验表明,算法能很好地适应高速公路交通场景动态变化,在有光线变化和阴影影响的情况下能完整、准确地提取出运动车辆轮廓. 相似文献
3.
4.
5.
针对传统混合高斯模型计算量过大及其在非平稳背景下存在的问题,提出一种新型运动目标检测系统。该系统引入模型等权重初始化策略,改善了视频检测初始阶段的效果;通过基于线性均差的模型匹配方法,减少了对方差的运算次数,有效减少了模型的计算量;加入干扰信息处理模块,以增强模型在复杂背景下的生存能力。经实验验证,新型系统准确检测出了视频初始阶段的多运动目标,可使进入场景后停留的目标快速融入背景,并能有效克服非平稳背景的扰动。实验结果表明该系统相比经典模型,准确性和鲁棒性均有明显改善。 相似文献
6.
7.
窗宽自适应Mean-Shift跟踪算法 总被引:2,自引:0,他引:2
针对固定窗宽Mean-Shift算法在目标运动速度过快或尺度发生明显变化时可能导致跟踪失败的问题,提出一种窗宽自适应的Mean-Shift跟踪算法。该方法基于均值漂移矢量预测跟踪窗口中心位置,同时自动调整跟踪窗口大小,保证目标始终处于跟踪窗口内部,使算法得以准确定位目标;在确定空间位置后,利用基于Bhattacharyya系数的二分法自动选取窗口缩放比例,得到与目标尺度一致的跟踪窗口。实验结果证明,该方法能很好地定位目标的空间位置和尺度。 相似文献
8.
9.
实际场景中往往存在运动阴影和障碍物遮挡等情况,严重影响了目标检测和跟踪的效果.为解决此问题,提出了一种抗阴影和遮挡的的运动目标检测与跟踪方法.该方法首先引入分类浮动更新策略,有效减轻了运算负担;其次,利用基于纹理梯度差和颜色特征不变量的阴影检测模块,为后续更加准确的分割前景创造了条件;然后采用基于MeanShift框架和最大化后验概率匹配相结合的方式跟踪目标,并引入了障碍遮挡跟踪机制,以降低运动目标在遮挡场景跟丢的可能性.实验表明,该方法可有效检测出运动目标的阴影,实现在遮挡场景对运动目标的稳定跟踪. 相似文献