嵌入式运动目标提取实时图像处理系统

针对大数据量、高速传输复杂的图像处理算法,以Matrox Oddysey图像处理卡为基础,设计了多目标实时图像处理系统.提出了一种结合帧间减法与背景自适应更新的算法,完成实时交会处理任务,满足靶场弹道试验任务的实时性要求.自适应背景更新是一种有效的用于视频序列图像运动目标检测的算法.该领域中很多方法被提出来,但是很少提及用于实时处理系统.我们着眼于算法的高速性并提出一种足够快的方法用于弹道测量系统.用高斯分布建立每个像素的灰度模型,这个分布用来区分前景和背景像素以便用来更新背景模型.     

混合高斯模型和差分法相融合的运动目标检测

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.     

一种改进的基于码本和高斯混合模型的视频背景分离

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。     

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。     

一种用于消除伪影的增强视觉背景提取算法

视觉背景提取算法(ViBe)在视频的首帧图像中随机地选取每个像素的空间邻域像素,对其背景模型进行初始化。该算法在检测初期容易产生伪影。针对该问题,提出一种采用像素的时间域信息初始化背景模型的增强视觉背景提取算法(E-ViBe)。首先,利用像素在连续的多帧图像中的历史像素完成模型的初始化;然后,根据空间邻域像素所得到的背景复杂度自适应地获取分割阈值;最后,采用动态更新率对背景模型进行更新,从而让背景模型更快、更好地适应场景的变化。实验结果表明,E-ViBe算法不仅能够快速、有效地去除伪影,也提高了目标检测的准确度。     

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。     

基于不同扫描顺序差值的可逆信息隐藏算法

为实现敏感图像的大容量可逆信息隐藏,提出一种基于图像相邻像素差值的大容量无损隐藏算法。通过将图像分块,对每个分块按照不同的扫描顺序计算差值,对差值序列进行比较,选取最优扫描顺序生成的差值直方图。从差值直方图中选取2个最大峰值点,每个峰值点选取最近的多个零值点,在峰值像素点插入多位秘密信息,从而实现图像大容量的可逆信息隐藏。仿真结果表明,该算法能根据不同分块图像的像素分布动态选择最优扫描顺序,且利用双峰值多零点嵌入,在嵌入隐秘信息后的峰值信噪比相差不大的情况下,可大幅提高隐写容量。     

基于随机选择和竞争合作更新策略的变化检测

针对复杂场景中背景更新这一难题,提出一种背景更新适应性较强的变化检测算法。利用建模样本的无记忆性进行随机更新得到初步更新后的背景模型,采用模型像素间竞争的方式选取邻域更新位置,通过当前帧图像像素间合作的方式得到加权更新值。仿真实验结果表明,所提更新策略能够在有效处理复杂场景的同时保证检测结果的准确率。五类复杂背景图像序列的仿真结果也验证了该算法具有综合性能的优势。     

基于RGB颜色空间的减背景运动目标检测

在计算机视觉领域中,运动目标检测与分割是一个基础而又关键的问题.减背景法是其中一个比较经典和常用的方法,其难点在于如何获取背景以及实现背景的自适应更新.针对该问?提出一种基于RGB颜色空间的运动目标检测算法,充分利用了图像序列在RGB空间中的变化特点,首先通过抽取帧图像进行背景重构,即对图像序列中每个像素点的RGB值进行排序后取中间值作为该点背景像素的RGB值;在此基础上引入学习率对背景进行自适应更新,然后在RGB空间中进行前景目标提取,最后利用数学形态学和连通性分析对结果进行后处理.实验结果表明,该算法快速有效、能够满足实时要求.     

视觉监视中基于柯西分布的统计变化检测

为了更好地进行视觉监视,该文给出了一种新的基于柯西分布的光照不变的统计变化检测算法。该算法首先将两帧图像间的灰度比值作为背景建模和剔除的特征,并且在假定背景图像中,当每个像素点观测的时序灰度变化由白噪声引起时,两帧背景图像中对应像素间的灰度比值的分布符合柯西分布;然后基于该变化检测方法,将YCbCr颜色空间的亮度、色调和饱和度用来识别和消除视频序列图像中的阴影。实验结果表明,该新算法不仅可以承受整体或局部的、缓慢或突然的光线变化,并且可以滤除由场景背景中小的扰动而导致的噪声。     

基于EM算法的高斯混合型的织物疵点检测研究

为准确检测织物在生产过程产生的疵点,提出了一种基于EM算法的高斯混合模型的算法来实现织物疵点的自动检测。由于织物背景纹理信息对织物疵点检测影响较大,采用均值采样对其进行预处理来消除背景纹理的影响,用高斯混合模型对新得到的图像进行处理。在进行高斯混合模型计算时分为E步骤、M步骤。E步骤初始化参数,计算样本像素的后验概率,M步骤更新高斯混合模型中的各参数。根据计算各像素的后验概率判断各像素点应该属于疵点部分还是非疵点部分。实验结果证明该算法能检测、分割出较多种类的织物疵点,具有较好的有效性和可靠性。     

基于混合高斯模型的Mean-Shift模板更新算法

针对基于Mean-Shift目标跟踪算法中遇到的不能对模板进行实时更新的问题,提出一个基于混合高斯背景建模的目标模板更新算法.该算法将目标视为背景,对目标中的每一个像素点利用三个高斯函数对它进行建模,利用每次Mean-Shift跟踪到的目标区域来对先前建立的混合高斯模型进行实时更新,将混合高斯模型得到的目标模板作为下一帧跟踪的目标模板.该算法较好地解决了基于Mean-Shift算法的模板更新问题,实验证明该算法是有效的.     

基于先验概率模型的自适应背景图像分割算法

在利用背景消减的视频图像分割过程中,背景模型假定为高斯模型下判断像素点是否为背景点一般采用规则。当模型中方差参数的值较大时,与背景相近的前景被误分割为背景的误差就较大。针对这一问题,提出了一种基于先验概率模型与距离因子对背景进行分割的算法,该算法判定当前帧像素点为背景的概率由其先验概率及该像素点在上一帧分割结果中与前景点的距离决定。实验结果表明,与判定规则相比,该方法在背景变化范围较大的情况下,可以减少前景点被误分割为背景点的误差。     

基于像素灰度归类的背景重构算法

背景差法是一种重要的运动检测方法,其难点在于如何进行背景更新.针对该问题,提出一种基于像素灰度归类的背景重构算法,即在假设背景像素灰度以最大概率出现在图像序列的前提下,利用灰度差对相应像素点灰度进行归类,选择频率最高的灰度值作为该点的背景像素值.在背景缓慢变化和突变时,分别利用该算法进行定时和实时背景重构具有时显的优点.仿真结果表明,即使场景中存在运动前景,该算法也能够准确地重构背景,并有效地避免混合现象,从而实现对运动目标的完整提取,以便进一步识别或跟踪.     

基于帧差与统计法的运动图像背景提取算法

背景提取是摄像头静止的运动图像处理的基础技术之一。针对一般背景提取算法运算复杂、实时性差等缺点,提出一种新的基于帧间差分与选择性统计相结合的背景提取算法。通过帧间差分和统计,对图像进行分块选取,削弱运动物体和噪声对于像素分布的影响。实验表明,该算法所取得的背景效果良好,并可快速有效地对背景进行提取和更新。     

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。     

城市交叉路口背景提取与车道标定算法

目的 为解决车辆对车道标记的遮挡问题,提出一种新的背景提取算法,同时基于透视变换实现了城市交叉路口的多车道标定。方法 首先,通过均值与帧间差分方法的融合,进行城市交叉路口的背景稳定与更新;然后,利用Canny算子及Hough直线检测得到各类直线;其次,基于透视变换、聚类分析和先验知识建立了车道线的筛选数学模型,实现了车道线标定;最后,通过实验对算法进行了验证。结果 采用10min长度、分辨率为2592×2048像素的某城市交叉路口实际监控视频进行交叉路口背景提取。本文算法的背景提取准确率比均值法和传统高斯混合模型法分别提升20%和30%左右,车道线标定也优于其他类似方法。结论 算法具有收敛速度快、准确率较高、稳定性较好等特点,在车流量大时可快速更新并消除车辆虚影,适用于光照条件正常的城市交叉种口的车道线标定。     

基于视频六维分布模型的运动对象分割

视频运动对象检测是智能安全监控的基本问题。考虑视频的时间空间分布规律，该文构造了视频六维分布模型以进行运动对象分割。在时间维上利用在线高斯混合模型对背景进行更新，并且计算像素颜色差异。在空间维上利用纹理特征描述像素点之间结构关系，提高了对光线变化和阴影等环境变化的抗干扰能力。实验结果表明该算法是实用有效的。     

渐进式前景更新和区域关联的图像协同分割

目的 图像协同分割技术是通过多幅参考图像以实现前景目标与背景区域的分离，并已被广泛应用于图像分类和目标识别等领域中。不过，现有多数的图像协同分割算法只适用于背景变化较大且前景几乎不变的环境。为此，提出一种新的无监督协同分割算法。方法 本文方法是无监督式的，在分级图像分割的基础上通过渐进式优化框架分别实现前景和背景模型的更新估计，同时结合图像内部和不同图像之间的分级区域相似度关联进一步增强上述模型估计的鲁棒性。该无监督的方法不需要进行预先样本学习，能够同时处理两幅或多幅图像且适用于同时存在多个前景目标的情况，并且能够较好地适应前景物体类的变化。结果 通过基于iCoseg和MSRC图像集的实验证明，该算法无需图像间具有显著的前景和背景差异这一约束，与现有的经典方法相比更适用于前景变化剧烈以及同时存在多个前景目标等更为一般化的图像场景中。结论 该方法通过对分级图像分割得到的超像素外观分布分别进行递归式估计来实现前景和背景的有效区分，并同时融合了图像内部以及不同图像区域之间的区域关联性来增加图像前景和背景分布估计的一致性。实验表明当前景变化显著时本文方法相比于现有方法具有更为鲁棒的表现。     

应用于立体车库的人体检测算法

针对立体车库的安全监控需求,提出了一种基于机器视觉的人体检测算法,用于在立体车库内检测非法侵入的人员。首先,采用自适应双线性滤波方法滤除视频帧中的噪声。接着,差分视频帧与背景图像,并采用多尺度小波分析法二值化差分图像。然后,将二值图像进行形态学滤波以检测出人体。最后,利用高斯混合模型(Gaussian Mixed Model, GMM)更新背景图像。实验结果表明,提出算法可以在立体车库内实时准确地检测出人体,为立体车库的安全监控提供了可靠的保障。