基于混合高斯模型的运动目标检测

针对现有方法在复杂的环境下不能很好地检测出运动物体的问题,提出了一种改进的基于混合高斯模型的背景消减法检测运动目标。改进了背景模型的更新算法,提高了背景更新速度。利用帧间差分法消除了运动影子和光照突变问题,并采用（r,g,l）颜色空间检测和抑制了运动阴影。实验结果表明,该算法能很好地提取出运动目标。     

基于改进混合高斯背景模型的车辆检测算法研究

传统的混合高斯背景模型对光照突变十分敏感,对运动车辆检测效果不理想。为此,本文提出了一种基于改进混合高斯背景模型的车辆检测算法,利用不匹配像素来消除光照突变对背景建模产生的影响。实验结果表明,与传统的混合高斯背景模型算法相比,在光照突变明显的条件下,改进后的算法更能有效检测出运动车辆。     

基于混合高斯模型和六帧差分的目标检测算法

鉴于传统混合高斯模型在光照突变、噪声干扰时鲁棒性不高,易造成检测错误等问题,提出了一种改进的视频运动目标检测算法。该算法将混合高斯模型与六帧差分算法相结合,构建了一种高效的运动目标轮廓模型,并嵌入背景替换法和动态阈值分割法提高算法的稳健性,通过连通性检测和形态学处理,得到完整的运动前景像素。不同场景的视频检测结果表明,改进算法有效克服了光照突变、噪声干扰、空洞及双影现象,与同类算法相比,具有更高的准确度和鲁棒性。     

基于减背景和混合差分的运动目标检测算法

针对固定摄像机条件下的视频监控问题,提出了一种基于背景相减法和混合差分法相结合的运动目标检测算法。该方法对彩色图像建立混合高斯模型,对背景模型进行实时更新;并对帧间差分法进行了改进,提出混合差分的思想。通过背景相减法和混合差分法的结合,采用形态学滤波的方法去除噪声点,检测到确切的运动目标。实验结果证明,文中提出的算法能准确地建立背景模型,既完整地提取运动目标,又适应复杂环境的变化,提高了运动目标检测的精确度和速度。     

一种抗光照突变的前景提取方法研究

针对经典前景提取算法无法在光照突变情况下正确提取前景的问题,根据LBP算子对光照不敏感的特性,提出了一种基于截尾均值的纹理特征提取算法,即通过对噪声的抑制及对平坦区域序列的稳定性处理,解决了原有LBP算子易受噪声干扰,平坦区域序列不稳定及得到的纹理图信息冗余的问题.结合高质量纹理特征,根据纹理特征的光照不变性,设计了一种能有效应对光照突变情况的背景更新模型,实验结果表明,本文提出的融合纹理特征的前景提取模型不仅能够在光照缓慢变化的情况下有效地对运动目标前景进行提取,而且在光照突变情况下仍然能够进行准确提取,前景提取的准确率相比平均背景模型提高61.7%,相比混合高斯模型提高59.3%.     

基于视频图像中运动目标检测算法的研究

运动目标检测是从实时捕获的视频序列图像或视频文件中将与背景存在相对运动的目标找出来。帧差分法和背景差分法是运动目标检测中常用的方法,文章主要研究了背景差分法中的单高斯背景模型和高斯混合背景模型的基本原理,对这两种算法进行了详细描述,对高斯混合背景算法进行了改进,实验结果表明,改进后的算法在目标检测质量是相对于原来的背景的基础上差分法,混合高斯模型数据量很小。     

一种基于混合高斯的快速背景更新方法

针对传统混合高斯模型对场景的突然变化不能实时更新和RunningAvg更新算法中容易产生拖影的问题,提出了一种快速背景更新方法。首先建立混合高斯和RunningAvg两幅背景,基于它们的二值化差分图像DB获取变化区域;将DB与前景二值化图像FB进行逻辑"与"以准确提取变化区域,消除拖影对目标提取的影响。然后根据变化区域的变化情况,用状态表中所记录的变化区域信息对背景模型的变化区域进行有选择的更新,减少了背景模型对变化区域的更新时间。实验结果表明,该方法不仅能对场景的突然变化具有很强的适应性,而且避免了拖影现象和物体短暂停留所造成的干扰。     

基于混合高斯模型与三帧差分的目标检测算法

针对传统目标检测方法中光照变化、复杂背景、阴影等难点,提出了一种结合三帧差分法和混合高斯背景建模的算法,既能很好地适应场景中的光照渐变和背景扰动,又能克服普通帧差法中检测目标不准确,容易产生孔洞及双影现象的问题。同时,采用了一种简易的阴影抑制算法和形态学滤波处理,有效地去除了阴影以及噪声。实验结果表明,该算法易于实现,具有较好地实时性和鲁棒性,能精确地检测出运动目标。     

基于滑动窗的混合高斯模型运动目标检测方法

在复杂场景下,传统混合高斯模型能较好地检测出运动目标,但随着时间的推移,模型参数收敛缓慢且难以适应场景中真实背景的实时变化,从而导致运动目标的错误检测率增加。该文利用滑动窗技术的短时历史记忆特性,提出一种新颖的基于滑动窗的混合高斯模型运动目标检测方法,该方法弥补了传统混合高斯背景模型不能及时形成新背景的缺点,提高了运动检测的完整性,并进一步降低了算法对场景光照变化的敏感性。多场景下的对比实验结果表明,该方法能更准确、完整地检测出运动目标并具有更好的环境适应性。     

基于像素与子块的背景建模级联算法

针对子块级背景建模方法无法保证所提取前景形状的精确性及像素级背景建模方法无法有效处理非平稳场景的问题,提出了一种背景建模分层模型,首先采用文中子块级建模算法得到较为粗糙的背景区域和前景区域,然后利用混合高斯模型对特定图像区域执行像素级的前景提纯或背景模型更新操作,2种不同层次的算法通过非对称前向反馈机制进行级联。实验结果表明,所提分层模型在能够有效处理非平稳场景的同时保证了所提取前景形状的精确性,且对光照突变不敏感,建模效果优于级联算法中任一独立算法,而处理时间小于2种独立算法处理时间之和,满足了实时处理要求。     

基于高斯模型的运动目标检测方法研究

提出了一种改进的基于单高斯背景模型运动目标的检测算法。该算法用四帧差分法确定运动目标区域,用单高斯模型对背景进行更新,然后通过(r,g,I)特征空间去除阴影,从而提取运动目标。实验结果表明,该算法能在变化的场景中对背景进行实时更新,能快速检测出运动目标,算法的运算量小。在室内环境和背景较为稳定的室外环境中都具有较好的应用价值。     

基于混合模型的运动目标检测算法

自然界中复杂的环境对视频临控系统有一定的下扰,对运动物体的检测也将产生显著的影响,通过分析光照变化、背景干扰等现象对运动目标的检测的影响,本文提出了一种能适应环境变化的混合模型运动目标检测算法,该算法结合帧间差分法和混合高斯模型算法的优点,将帧差法作为进行高斯背景减法的指导,既能得到较高的灵敏度又能进一步提高检测效果,...     

改进的边缘高斯混合模型运动目标检测

为解决高斯混合模型中噪声和光照变化带来的影响以及运算量大等问题,先通过帧差法确定运动目标大致区域,筛选后在确定区域内采用混合高斯模型重建背景,并运用SUSAN算子进行边缘检测,形态学处理后将两者结果进行"与"运算;区域外部分按照当前帧背景更新,两部分综合得到最终的运动目标。实验结果显示,改进算法有良好的鲁棒性,能很好地适应光照变化,检测结果高效准确,可以应用于目标跟踪领域。     

基于改进的混合高斯模型的运动目标检测方法

为了改善混合高斯模型在光照突变时容易产生大量误检的缺陷,采用了一种高斯模型与均值法相结合并为前景像素建立计数器的方法。在建立背景模型时,运用多帧图像求平均值的方法初始化混合高斯模型的背景;为每帧图像的前景像素数建立计数器,并以此消除被误判为前景的区域;对检测出的前景区运用数学形态学处理,得到图像真正的前景区域。结果表明,该算法不仅克服了初始背景中的干扰,而且消除了光照突变时的误检,提高了运动目标的检测率。     

基于自适应背景图像更新的运动目标检测方法

在运动目标的实时检测中常用的方法是背景图像差分法,但因其缺乏背景图像随监视场景光照变化而及时更新的合理方法,限制了本方法的适应性.对此,本文首先提出了一种基于光流场等技术的自适应背景逼近更新方法,并根据彩色差值模型得到差分图像;然后引入Gauss模型实现运动目标的自适应阈值分割.实验结果表明:本文提出的背景更新方法可随着光照条件的变化实时、准确地更新背景图像,在此基础上提出的基于Gauss模型的自适应阈值分割方法可以实现运动目标的完整分割,这为运动目标的后续识别与理解奠定了基础.     

基于改进的单高斯背景模型运动目标检测算法

针对传统单高斯背景模型(SGM)存在的背景模型不能很好地自适应背景变化、目标检测不完整的问题,提出了一种改进的单高斯背景模型运动目标检测算法,该方法结合单高斯背景模型和mean shift原理对运动目标进行检测。取前N帧视频样本的均值作为初始背景模型,对当前帧图像进行运动目标的初检测,根据单高斯背景模型更新原理用当前帧图像对检测为背景的点进行背景模型更新,对更新后的背景模型中不属于背景点的像素点进行mean shift修正,将进行mean shift修正后得到的背景模型作为最终的背景模型,再通过背景差分法最终检测出运动目标。实验表明,改进的算法能很好地克服背景模型不能自适应背景变化的缺点,目标检测完整度比传统的单高斯模型高。     

一种改进的自适应混合高斯建模算法

车辆识别系统对于智能交通系统具有重要的意义,也是其他技术实现或判决的重要基础之一.混合高斯模型在应对背景中存在扰动的情况时具有明显的优势,但传统的混合高斯建模算法适应场景突变的能力不强,容易产生较长时间的虚影.本文在传统算法的基础上,对背景更新过程做了改进,从而可以快速地去除不再符合要求的背景模型.实验表明,在光照发生变化或摄像头轻微抖动等情况下具有良好的自适应性,配合阴影去除算法将大幅提高车辆识别的准确率.     

基于改进高斯混合模型的红外人体目标检测方法

针对高斯混合模型在阴影不显著情况下,容易把随光线突变而变化的背景像素点当作前景目标从而造成目标误检的缺点,提出了一种基于改进的高斯混合模型的红外人体目标检测方法。该方法引入边缘检测信息增强红外人体目标检测效果。首先,该算法利用Canny边缘检测来提取人体目标的边缘信息。然后,以此对每个像素建立高斯混合模型来完成人体目标的检测。实验结果表明,该方法能够有效消除光照突变所产生的阴影影响,提高了检测的准确性。     

基于层次信息综合的复杂场景背景模型

针对复杂交通场景中背景提取和更新的前景目标密度大、走走停停和照明强度突变难题,提出基于层次信息综合(LISM)的自适应背景模型.首先对像素建模,通过分析稳定状态判别参考背景;然后提出方向不变局部二值模式(RELBP),用其分析参考背景区域的纹理特征,再通过纹理聚类获取背景并更新模型参数;最后处理帧级的场景整体变化,用改进的直方图修正(HM)算法解决光照突变引起的背景失效.实验表明,本文提出的算法比已有方法能更好地适应复杂交通场景.     

一种自适应调整K-r的混合高斯背景建模和目标检测算法

针对非平稳背景下的复杂场景,该文提出一种自适应调整K-r的混合高斯背景建模和目标检测算法。该方法利用混合高斯模型(GMM)学习每个像素在时间域上的分布,构建自适应调整高斯分量K的方法,并针对不同情况,对描述像素的高斯分量数进行增加、删除或合并;在此基础上,模型参数更新式中引入了两个新的参数,能够根据实际情况自适应调整r值,使得背景建模和目标检测能够准确实时地随像素变化而变化,从而减少了运动目标信息的损失,提高了算法的鲁棒性和收敛性。实验表明,该算法在有诸多不确定因素的序列视频中能够迅速响应实际场景的变化,实现自适应背景建模和准确的目标检测。