改进视觉背景提取模型的前景目标检测算法

针对经典视觉背景提取算法（ViBe）在动态背景场景下检测精度不高,以及长时间存在鬼影的问题,提出一种改进的视觉背景提取算法.该方法在背景模型初始化阶段考虑到像素点之间的颜色相似性以及空间距离,选取像素点邻域内的同质像素点对背景模型进行初始化;根据场景动态程度自适应调整每个像素点的阈值以及背景模型更新的速率,改善了在动态背景场景下的检测精度;根据光流判断像素点是否存在运动来把真实前景目标和鬼影区分开来并及时对背景模型进行修正,从而尽快消除鬼影现象.使用changedection测试集进行测试,改进后的ViBe算法在能提取到较完整前景目标的同时,检测准确率相比原始ViBe算法也有所提高.     

改进视觉背景提取模型的运动目标检测算法

针对视觉背景提取模型对动态场景适应性不强、运动目标检测精度低等问题,提出一种改进的视觉背景模型算法.在模型建立与初始化阶段,采用按序抽取的方法将像素点本身信息加入到背景模型中,形成邻域背景模型,降低复杂场景对模型的影响;在前景检测阶段,结合像素点的空间邻域信息自适应地获取分割阈值,减少各类复杂场景对检测结果的干扰,提高运动目标检测的精度;在背景更新阶段,根据场景复杂度动态地调整模型的更新周期与更新方式,使得模型能够有效地消除虚影与背景噪声的影响,增强模型对复杂场景的适应性与鲁棒性.与典型算法进行对比的实验结果表明,该算法具备较高的检测精度,适用于动态场景中的运动目标检测.     

基于改进视觉背景提取算法的运动目标检测

针对经典视觉背景提取算法因初始帧存在运动目标易产生鬼影以及对扰动背景适应性差的问题,提出一种改进ViBe算法;利用改进三帧差分法和最小外接矩形定位初始帧运动目标,并通过局部初始化的方法进行鬼影抑制;在背景模型初始化阶段,定义灰度相似函数从时域和空域信息中中等比例选取像素点建立背景模型,增强背景模型的鲁棒性;在前景检测检测阶段,通过平均差法衡量样本集合的离散度,构建自适应分割阈值代替原有的固定分割阈值以适应背景扰动;实验表明,改进算法可以有效抑制鬼影产生并且提高算法在扰动背景下的适应性和检测准确度。     

基于改进ViBe的运动目标检测算法

在运动目标检测领域,ViBe算法由于其实时性高、鲁棒性好等特点,已经被广泛地研究与使用。但动态背景往往会干扰检测结果。通过度量背景复杂度更新距离阈值和背景模型更新率的方式,提出了一种基于改进ViBe算法的运动目标检测算法,能有效地降低动态背景对检测结果造成的影响。最后,利用全局运动补偿算法将改进的ViBe算法应用到摄像机运动情况下,取得了一定效果。     

改进的ViBe运动目标检测算法

针对传统ViBe运动目标检测算法提取的目标存在鬼影区域、且有闪烁像素点干扰的问题,提出一种结合Surendra背景更新算法而改进的ViBe算法进行运动目标检测.利用Surendra算法快速更新背景的特点迭代得到纯净背景;对ViBe算法检测前景进行像素标记和鬼影分类判别,去除鬼影像素点和闪烁像素点;输出新的前景.实验表明:该算法可以有效地去除ViBe算法前景检测中的鬼影,并能抑制闪烁像素噪声,获取更精确的前景图像.     

基于改进的ViBe算法的红外目标检测

针对ViBe算法第一帧图像中含有运动的目标时容易引入"鬼影"及不能完整提取前景目标的问题,在原算法的基础上融合帧间差分法、Canny边缘检测,采用中值滤波、形态学算子进行后处理。实验结果表明,本文算法能很快消除"鬼影",并能比较完整地提取出红外运动目标。     

复杂背景下改进视觉背景提取的前景检测算法

针对视觉背景提取模型存在的鬼影抑制效果差、动态背景适应能力不足等问题,本文提出了一种改进的视觉背景提取模型算法。在模型构建阶段,该算法充分融合时空域信息初始化背景模型,避免了样本的重复选取,提高了鬼影抑制能力;在像素分类阶段,根据背景动态程度,引入自适应距离阈值代替全局固定阈值,增强了模型对动态背景的适应性;在背景更新阶段,对连续多帧判定为前景的像素点进行阈值判断,并及时更新到背景模型,消除了运动背景与静止前景造成的虚影现象。多个公开视频数据的测试结果表明,本文算法相比典型算法在复杂背景下检测的准确性和鲁棒性都有了很大提高。     

基于ViBe改进的运动目标检测算法

运动目标检测一直是计算机视觉领域的重要研究方向,针对传统的ViBe算法容易出现鬼影、噪点和运动目标不完整等问题,提出一种基于ViBe改进算法的移动目标检测跟踪算法。通过连接区域的滤波操作,填充面积小于设定阈值的前景孔洞区域,以此限制散布在前景物体中的错误背景;通过检测图像的闪烁像素,更新存储之前的模板,并建立闪烁等级表,若某像素的闪烁等级大于等于设定的阈值,则将其从更新模版中移除,从而抑制更新模板中的闪烁区域。在动态视频中结果表明,该算法在满足实时性的前提下,可有效地改善传统ViBe算法,较好地提高运动目标检测效果。     

视觉背景提取算法关键技术研究

针对视觉背景提取(Visual background extractor,ViBe)算法中出现的“鬼影”及复杂场景检测不佳等问题,提出一种改进的ViBe算法。该算法在初始化阶段使用多帧图像的像素值训练背景样本,减少“鬼影”对于检测精度的影响;在前景判断过程中基于像素区域复杂度动调整态分类阈值及匹配阈值以适应复杂场景,减少虚假前景干扰;背景样本更新阶段中使用自适应的时间二次抽样因子减少像素值的错误传播,快速恢复背景样本。实验结果表明,与传统算法相比,改进算法在“鬼影”抑制及复杂场景适应上均有较好表现。     

背景重建的运动目标分割改进算法

提出了基于背景重建的运动目标分割改进算法。首先使用多帧差获得初次的背景和前景分离,使用前后多帧差重合部分的合并作为当前帧的运动对象,并通过形态膨胀操作消除二值模板中的空洞,得到该帧的并不精确的初次运动目标掩膜。通过掩膜获得稳定的累积背景。通过得到的背景差和帧间差相结合制定判断原则,获得精确的运动目标掩膜,从而对运动目标进行分割。实验表明该算法对于较大面积的运动目标,或者当摄像机拍摄方向与目标运动方向一致的情形下都可以得到较准确的效果。     

一种基于改进视觉背景提取算法的前景检测

针对视觉背景提取ViBe算法在前景检测中存在的鬼影现象且长时间难以消除的缺点,提出一种改进的视觉背景提取算法。首先,在视频前n帧序列的帧差法中,引入大津（OTSU）算法求自适应阈值,以分割出更为准确的前景区域;其次,利用去除前景区域的前n帧图像合成一张尽量少的包含前景区域的样本图像;最后利用扩展的邻域范围在合成的样本图像中对模型初始化,并把扩大的范围用在ViBe背景模型更新阶段。该算法与各种经典算法在大量视频库中进行了对比实验,仿真结果表明,改进的ViBe算法能快速消除鬼影对前景检测的影响,前景检测更为准确。     

自适应背景筛选的运动对象检测算法

针对传统帧差法和背景差分法对运动对象检测不准确等不足,提出了一种自适应背景筛选的运动对象检测算法。该算法在采用帧差法构建的背景中标注出原图存在运动对象的区域,筛选当前运动对象区域未被标注且距当前时刻最近的背景与当前帧进行差分,从而提取前景运动目标。与帧差背景结合方法相比,该方法能更好解决因运动对象静止后融入背景建模而导致的检测对象不准确问题,且算法简单,易于实现,满足实时监控要求。实验结果验证了该算法的有效性。     

基于视觉背景提取的自适应运动目标提取算法

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。     

复杂背景环境下运动目标的检测算法研究

首先对运动目标检测的理论和方法以及如何从背景图像中有效提取出前景物体做了简要概述,并结合传统的背景相减法容易受环境光线等外界因素影响这一弊端,提出了一种零均值归一化互相关的方法来实现对运动目标的检测判断.同时,采用了累积直方图的方法获得了一个理想阈值,实现了运动目标物的精确提取.实验证明,该方法较传统的背景相减法有明显的提高,在识别精度上也能达到较满意结果.     

基于动态阈值对称差分和背景差法的运动对象检测算法

提出一种基于动态阈值对称差分和背景差法的运动对象检测算法.首先通过建立一个基于统计的可靠背景更新模型,由背景差法得到基本准确的前景图像;然后与用对称差分法得到的差分图像综合;最后得到完整可靠的运动目标图像.中间采用了一种动态的最优阈值获取方法,然后用形态学滤波和连通区域面积检测进行后处理,以消除噪声和背景扰动带来的影响,并用区域填充算法来填补目标区域的小孔,从而将视频序列中的运动目标比较可靠地检测出来.实验结果表明,该方法快速、准确,有一定的实际应用价值.     

基于减背景与对称差分的运动目标检测

本文提出了一种基于背景相减法和对称差分法来进行运动目标检测的方法。首先通过混和高斯模型建立运动区域的背景模型,并对背景进行实时的更新,然后通过背景相减法确定运动目标区域,再和对称差分法相结合,得到比较可靠的运动目标区域。     

运动目标检测的ViBe算法改进

目的 目标检测在智能交通、自动驾驶以及安防监控中均有重要的地位,ViBe算法是常用的运动目标检测算法,它主要由背景模型初始化、前景检测、背景模型更新3部分组成,其思想简单,易于实现,运算效率高,但当初始帧有运动目标时,检测结果会出现“鬼影”现象,且易受噪声和光照变化影响,不能适应动态场景。同时,其逐帧逐像素进行前景检测,在计算复杂度方面有较大提升空间。为解决这些问题,提出一种改进的ViBe算法,称为ViBeImp算法。方法 在背景模型初始化时,用多帧平均法给出初始背景,采用该初始背景构建初始背景样本模型。在前景检测过程中,采用背景差分法、帧差法与OTSU算法相结合给出半径阈值的自适应计算方法。同时,根据背景差分法找出运动区域,只对运动区域进行前景判断和模型更新,降低算法的计算复杂度。结果 对25个不同场景视频分别给出ViBeImp算法在初始化背景,自适应半径阈值和计算复杂度方面改进的结果及有效性指标,实验结果表明,与ViBe、ViBeDiff2、ViBeIniR,以及Surendra等算法和高斯混合模型相比,ViBeImp算法对噪声、光照和背景动态变化有较好的鲁棒性,检测结果更完整,且实时性较好。同时,ViBeImp算法将ViBe算法的查准率、查全率以及F1值分别提高了17.98%、11.40%和15.96%。结论 ViBeImp算法采用多帧平均法构建初始背景可有效地消除“鬼影”,并给出半径阈值的自适应计算方法,使ViBe算法更快适应视频环境变化,准确且完整地检测出运动目标,具有较低的误检率和漏检率。该方法克服了ViBe算法对初始背景以及视频环境的依赖,很大程度上提高了运算速度,具有很好的鲁棒性和适用性。