基于GMM与KLT算法的运动目标检测与跟踪方法

在视频监控方面,存在着运动目标的各种行为,针对这种情况,提出一种基于GMM与KLT算法的运动目标检测与跟踪方法.首先用基于GMM的背景减除法对运动目标进行检测,再通过形态学处理得到目标区域,然后对运动目标进行KLT特征点跟踪,最后根据特征点画出运动目标的运动轨迹.实验证明该算法有良好的检测结果与跟踪效果.     

视频序列中运动目标的检测与跟踪方法

提出了一种视频序列中运动目标的检测与跟踪算法,该算法采用基于码本背景建模的减背景法与差分法相结合的算法,实现对运动目标的快速精确的检测与提取,也能够在存在前景运动的过程中提取背景,使用卡尔曼滤波对运动目标在下一帧中最可能出现的位置进行估计,在此基础上利用Camshift跟踪算法进行较小范围的搜索和目标匹配,减少了运算量、节约了搜索和匹配的时间、提高了跟踪的速度。实验证明该方法具有一定的实用性。     

基于高斯金字塔与差分法的多目标检测和跟踪算法

针对复杂背景下的多目标检测和跟踪问题,提出了将背景差分目标检测算法与高斯金字塔图像重采样相结合的运动目标检测算法．该算法采用高斯金字塔法对图像进行重采样,建立背景模型,使用背景差分法获得前景区域,并对前景区域进行阴影检测、去除,从而检测出完整目标．融入了高斯模型关于背景更新的算法,克服了由于背景突然改变而造成的误检测．在目标阈值的确定过程中,采用动态阈值确定法,以提高目标检测的正确性．同时将目标的颜色特征和运动矢量引入到多目标跟踪算法中,提高目标跟踪的准确性．实验结果表明,该算法对于场景中存在目标频繁出现、消失、交叉运动和遮挡等情形均有较好的检测与跟踪效果．     

基于(A)Trous算法的红外序列图像中运动目标的检测与跟踪

主要研究了红外图像中运动点目标的检测及跟踪问题.在复杂背景下,根据小目标在红外影像中容易丢失的特性,利用Atrous小波变换对图像非抽取(变换后图像数据未损失)的优点对红外图像进行了背景抑制与增强.通过聚类分割算法分割出了可疑目标,并采用八邻域分析算法准确跟踪并提取出了运动小目标.试验结果表明,本文算法在对红外序列图像中的运动目标进行检测与跟踪时具有较强的实用价值.     

基于改进Camshift算法的NAO机器人目标跟踪

针对Camshift算法应用于NAO机器人目标跟踪过程中,当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题,提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口,然后利用Kalman滤波作为目标运动状态的预测机制,以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性,若受到背景干扰,则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配,重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明,改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下,连续稳定地跟踪运动目标。     

基于图像分割与特征匹配的目标检测及跟踪

提出了一种静止背景下多运动目标检测与识别跟踪的新方法。该方法将自适应背景差分法与特征匹配算法相结合。首先,利用自适应背景差分法检测出运动目标,然后标记前景区域,提取前景区域的大小和形心作为目标特征,在形心位置特征空间上运用最小距离搜索算法以实现目标跟踪。实验结果证明,该算法对刚体和非刚体目标均能快速、有效地识别跟踪,并且具有良好的鲁棒性。     

结合前景轮廓提取的改进ViBe运动目标检测算法

运动目标检测是对视频或图像序列进行一系列地分析运算,计算出运动目标在图像中的位置,并将运动目标从复杂背景中提取出来,得到只包含运动目标的图像. ViBe是目前常用的运动目标检测算法,但使用ViBe算法对视频或图像序列中的运动目标进行识别与检测时,存在“鬼影”现象并易受环境噪声的影响,为此,设计了前景轮廓提取算法对ViBe算法改进.构建背景模型时,前景轮廓提取算法使用众数背景建模法建立初始背景及背景序列;前景检测时,使用背景差分法和Sobel算子计算出运动目标区域,使用自适应的多级阈值去噪;最后,将前景轮廓提取算法与ViBe算法求交集,并使用数学形态学处理获取完整的运动目标.同时,设计了CPU-GPU的并行方案,使用CPU并行的计算图像背景,使用GPU加速前景检测.将算法在CDNet2014数据集上进行测试,实验结果表明,算法的检测精确率、召回率、F1分数较ViBe分别提高了32.14%、9.64%、20.76%,漏检率及错检率较低,精度较高;效率方面,算法的平均检测帧率较ViBe算法提升了64.70%,具有较好的实时性.     

基于áTrous算法的红外序列图像中运动目标的检测与跟踪

主要研究了红外图像中运动点目标的检测及跟踪问题。在复杂背景下,根据小目标在红外影像中容易丢失的特性,利用trous小波变换对图像非抽取(变换后图像数据未损失)的优点对红外图像进行了背景抑制与增强。通过聚类分割算法分割出了可疑目标,并采用八邻域分析算法准确跟踪并提取出了运动小目标。试验结果表明,本文算法在对红外序列图像中的运动目标进行检测与跟踪时具有较强的实用价值。     

混合模型的运动目标检测与跟踪算法

针对运动目标检测与跟踪算法计算准确率低、效果差的问题,结合Kalman滤波算法,提出一种基于高斯混合模型的运动目标检测与跟踪算法。对传统的权重更新机制进行改进,以保证背景的持续更新状态。建立高斯混合模型,对运动目标图像进行处理,对图像中的参数信息进行实时更新,在Kalman滤波器的性质影响下进行目标跟踪,将获取的运动目标位置作为信息输入,完成运行并跟踪。在更新的过程中,根据运动目标的状态确定矩阵,目标遮挡也不会影响追踪的效果。结果表明,利用Kalman滤波器对运动目标进行跟踪,可以取得良好的运动目标跟踪效果。     

背景抑制直方图模型的连续自适应均值漂移跟踪算法

针对传统连续自适应均值漂移(CAMshift)跟踪算法在建立目标颜色模型阶段容易包含大量背景颜色信息从而使跟踪效果变差的问题,该文提出一种改进算法。利用混合高斯模型背景法(GMM)将原始图像分割成前景和背景的叠加,在原始图像和背景图像上运动物体所在区域分别建立色调分量直方图,利用背景图像的色调分量直方图计算原始图像中对应色调分量的权值,抑制原始图像中与背景颜色相同的色调,扩大前景与背景颜色的差异性。该方法通过对原始颜色模型中属于背景的色调进行抑制,扩大了目标颜色模型的显著性,提高了跟踪的准确性和稳定性,目标定位的最大中心误差小于20%,能够准确跟踪不发生丢失。     

基于改进高斯混合模型的运动图像目标检测算法

运动图像目标检测指的是从序列图像中将变化的目标从背景中分离出来,高斯混合模型可以对视频序列图像的前景和背景进行分类,再利用背景减除实现运动目标的检测。提出一种基于改进高斯混合模型的优化背景建模方法,该方法首先利用3×3模板对序列图像帧中的像素进行类似卷积的均值计算,然后利用相邻均值的差提取均差因子自适应更新图像的均值。在此基础上,设计了自适应学习率和学习速率,利用改进高斯混合模型实现序列图像的背景建模。改进模型不仅能有效减少数据计算量,同时可以降低在相似区域像素计算的时长,大大加快背景建模速度。实验结果表明,改进模型在目标检测、算法执行速率等性能指标上都有更好的表现,能满足实时检测要求。     

Hierarchical GMM to handle sharp changes in moving object detection

The Gaussian mixture model (GMM) is an important background model of background subtraction methods in moving object detection, and is fit to deal with gradual changes of illumination. To handle sharp changes, hierarchical GMM (HGMM) is proposed as a generic solution which uses state models without temporal correlation on different scales. A new on-line EM algorithm is devised to model new states quickly and accurately. Experiments show that the presented method brings fast adaptation to sharp changes of illumination.     

基于YC_bC_r颜色空间的背景建模及运动目标检测

高斯混合模型广泛应用于基于背景建模的运动目标检测中。首先在YCbCr颜色空间采用自适应高斯混合模型对背景的每个像素建模;然后,对输入的当前帧图像的每一像素值与该像素点对应的高斯混合背景模型的各个高斯模型进行比较,将前景运动区域（包括运动目标、投射阴影）从场景中提取出来;最后,采用局部二元图（Lo-cal Binary Pattern,LBP）来提取纹理特征,利用背景在阴影覆盖前后的纹理相似性去除投射阴影,同时结合阴影的空间几何特性优化运动目标检测结果。实验结果表明,该算法能有效地检测出投射阴影和运动目标,具有较高的实际应用价值。     

基于阴影流和3D MAP-MRF 的运动阴影消除

阴影消除是运动检测中的一个重要问题。本文提出一种用阴影流和三维马尔可夫随机场后验概率最大化方法运动阴影消除算法。首先对每个像素建立混合高斯模型,通过阴影弱分类器,将可疑的阴影像素分离出来送到阴影流模型中。在线学习候选阴影像素,得到置信度高的阴影流模型。然后用混合高斯模型,阴影流和当前图像一起构建一个三维的马尔可夫随机场模型,将运动目标检测转化为标号组后验概率最大化/能量函数最小化。最后,构建一个与三维MRF对应的三维网络流图,通过动态图切算法,求出图的最小切,即求得MRF标号组的最大后验概率,从而给每个像素分配“前景”或“非前景”标号,达到消除阴影分割运动物体的目的。实验表明本方法在实际视频中取得了较好的效果。      

Image change detection using Gaussian mixture model and genetic algorithm

In this paper, we propose a novel method for unsupervised change detection in multi-temporal satellite images of the same scene using Gaussian mixture model (GMM) and genetic algorithm (GA). The difference image data computed from multi-temporal satellite images of the same scene is modelled by using N components GMM. GA is used to estimate the parameters of the GMM. Then, the GMM of the difference image data is partitioned into two sets of distributions representing data distributions of “changed” and “unchanged” pixels by minimizing a cost function using GA. Bayesian inference is exploited together with the estimated data distributions of “changed” and “unchanged” pixels to achieve the final change detection result. The proposed method does not need any parameter tuning process, and is completely automatic. As a case study for the unsupervised change detection, multi-temporal advanced synthetic aperture radar (ASAR) images acquired by ESA Envisat on the recent flooding area in Bangladesh and parts of India brought on by two weeks of persistent rain and multi-temporal optical images acquired by Landsat 5 TM on a part of Alaska are considered. Change detection results are shown on real data and comparisons with the state-of-the-art techniques are provided.     

Disocclusion filling for depth-based view synthesis with adaptive utilization of temporal correlations

The depth image-based rendering paves the path to success of 3-D video. However, one issue still remained in 3-D video is how to fill the disocclusion areas. To this end, Gaussian mixture model (GMM) is commonly employed to generate the background, and then to fill the holes. Nevertheless, GMM usually has poor performance for sequences with big foreground reciprocation. In this paper, we aim to enhance the synthesis performance. Firstly, we propose an expectation maximization based GMM background generation method, in which the pixel mixture distribution is derived. Secondly, we propose a refined foreground depth correlation approach, which recovers the background frame-by-frame based on depth information. Finally, we adaptively choose the background pixels from these two methods for filling. Experimental results show that the proposed method outperforms existing non-deep learning based hole filling methods by around 1.1 dB, and significantly surpasses deep learning based alternative in terms of subjective quality.     

Efficient visual object detection with spatially global Gaussian mixture models and uncertainties

In this paper, we deal with the problem of visual detection of moving objects using innovative Gaussian mixture models (GMM). The proposed method, the Spatially Global Gaussian Mixture Model (SGGMM) uses RGB and pixel uncertainty for background modelling. The SGGMM with colours only is used for scenes with moderate illumination changes. When combined with pixel uncertainty statistics, the method can deal efficiently with dynamic backgrounds and scene backgrounds with fast change in luminosity. Experimental evaluation in indoor and outdoor environments shows the performance of the foreground segmentation with the proposed SGGMM model using solely RGB colour or in combination with pixel uncertainties. These experimental scenarios take into account changes in the background within the scene. They are also used to compare the proposed technique with other state-of-the-art segmentation approaches in terms of accuracy and execution time performance. Further, our solution is implemented and tested in embedded camera sensor network nodes.     

基于运动目标的快速背景建模算法

针对智能交通车流量检测系统,提出了一种适用于嵌入式系统的快速轻量背景建模方法.该方法先由帧差法过滤视频序列,抽取运动物体少的帧进行存储,再利用改进的高斯模型快速学习获得基础模型,并结合帧差和像素统计的方法对背景模型进行自适应更新,对传统混合高斯模型的缺陷进行了改善,在基于 TMS320DM648的图像处理客户端上表现出较好的实时性和天气适应性,以及更高的处理效能.     

基于GMM和神经网络的辐射源识别方法

针对基于截获雷达脉冲特征参数的辐射源识别问题,通过建立一个高斯混合模型(GMM),采用最大化期望(EM)方法对模型参数进行训练,构建了一个输入为截获雷达脉冲特征参数,输出为雷达辐射源类型的分类器。同时,为实现对分类识别性能对比,进一步提出基于神经网络方法构建雷达辐射源类型分类器。仿真试验结果表明,基于GMM和神经网络构建的两种分类器均能实现对雷达辐射源的在线识别,且当用于训练的样本比例不低于10%时,均能获得90%以上的分类正确率。     

基于概率神经网络改进的GrabCut算法

针对GrabCut算法在分割图像时效率低,且容易出现欠分割与过分割的问题,提出了一种基于概率神经网络(PNN)改进的GrabCut(PNN_GrabCut)算法。该算法用PNN模型替换GrabCut算法中的高斯混合模型(GMM)进行t-links权值计算,以提升算法的计算效率;通过构建前景和背景直方图,选取像素值出现频率较高的像素作为PNN模型的训练样本,以提高算法的分割精度。在公开的ADE20K数据集中选取图像进行分割实验,结果表明,PNN_GrabCut算法的分割精度优于其他对比算法,且效率较高。对前景与背景相似度高的图像进行分割实验,结果表明,PNN_GrabCut算法的分割精度明显高于GrabCut算法。