基于阴影检测的HSV空间自适应背景模型的车辆追踪检测

在交通监控中，要进行车辆的检测、车流量统计、实时追踪、车速测定等工作，而如何从复杂的背景中分割运动物体是至关重要的一步，目前采用的典型方法是背景相减方法。为了对运动车辆进行准确快速的检测，在研究了目前存在的各种方法之后，提出了一种新的基于阴影检测的HSV空间自适应背景模型的车辆追踪检测算法，并将其应用于运动物体的分割，同时给出了具体的试验结果。该方法之所以不在传统的RGB空间实现，而在HSV空间实现，因为HSV空间可以提供更丰富的颜色信息。运行试验结果表明，该方法准确率高，适应性强，运算速度快，兼具灵活性，能满足实时检测的需要。     

动态场景中的自适应背景建模研究

随着智能监控技术的快速发展,基于数字视频的智能视频监控系统代替原来的人力监控在越来越多的公共场所获得了应用.然而,在实际的户外监控环境下,由于光线变化以及初始背景样本的多样性,难以建立良好的背景样本.针对上述问题,提出了一种自适应的背景建模方法.其中自适应指两个方面:第一,背景的自动更新;第二,不需要使用背景帧样本作为模型训练的输入.在此基础上,建立了针对户外交通环境的智能车辆监控系统.实验结果表明,上述方法在动态场景的车辆检测中取得了较好的效果.     

基于背景自适应更新的车辆阴影检测算法

对基于视频的交通流量参数检测及交通路口控制方法而言,车辆检测是很关键的一步,但是由于车辆阴影的客观存在,经常会造成汽车数量的误检。本文在背景自适应更新的基础上,对阴影建立了模型并对检测算法进行了改进,以提高车辆检测精度。     

基于高斯背景模型的车辆检测改进算法

针对车辆检测中实时性、准确性以及自适应性很难兼顾的问题,提出了一种快速有效的车辆检测算法。该算法采用阈值判定背景区域和更新区域,根据背景变化的程度,利用动态权值更新学习率,使用基于单高斯背景模型方法,结合逻辑"或"运算检测出车辆。实验结果表明,该算法能够快速准确地检测出车辆,并且在背景更新过程中实现了自适应,并具有一定的鲁棒性。     

一种用于运动物体检测的自适应更新背景模型

提出一种能自适应更新的背景模型,使得运动物体检测中场景变化时提取的背景能进行相应的更新.该模型利用特征点信息将场景中的像素点分类,并针对不同类别像素点计算其更新速率;然后对像素点采用相应速率进行更新,从而能根据场景不同变化进行自适应更新.实验结果表明,该模型能较好地处理混合高斯模型因采用同一更新速率导致的背景模型更新错误问题.     

基于自适应背景模型运动目标检测

随着城市化速度的加快，机动车日益普及，人们在享受机动车所带来的巨大便利的同时，也面临着交通拥挤的困扰。随着计算机硬件技术和计算机视觉技术的发展，基于计算机视觉的交通监控系统成为可能。从一个交通视频序列中识别出运动物体是许多交通监控系统应用系统的重要任务，针对该问题，提出了一种建立在对视频序列中的整个背景情景的统计描述基础上的运动目标的检测的有效方法，该方法能够适应变化的背景，具有较强的鲁棒性和较好的实时性。     

基于自适应背景模型运动目标检测

随着城市化速度的加快,机动车日益普及,人们在享受机动车所带来的巨大便利的同时,也面临着交通拥挤的困扰。随着计算机硬件技术和计算机视觉技术的发展,基于计算机视觉的交通监控系统成为可能。从一个交通视频序列中识别出运动物体是许多交通监控系统应用系统的重要任务,针对该问题,提出了一种建立在对视频序列中的整个背景情景的统计描述基础上的运动目标的检测的有效方法,该方法能够适应变化的背景,具有较强的鲁棒性和较好的实时性。     

自适应多模快速背景差算法

在多高斯模型的基础上,从场景中模型分布不均匀性出发,提出了一种新的快速背景差算法。该算法针对混合高斯模型中固定模型数量不足的问题,建立了模型产生和退出的机制,使模型数量能够自动适应场景特点,实现了高斯模型的实时自适应分布,即提高了准确性又有效地减少了模型的总量;同时,针对混合高斯模型中计算量大的问题,对模型参数的计算进行了优化,将耗时的浮点运算转化为整型运算,减少了计算量;算法中引入了生存时间和模型重现频率的概念,通过对模型重现频率的限制有效抑制高频噪声。与混合高斯模型的实验结果对比说明,该快速算法保持了原算法的优点,执行速度提高1倍以上,检测结果准确,算法内存消耗小,前景轮廓清晰,抑制高频噪声的能力强,整体效果优于混合高斯模型的背景差算法。     

基于图像分块的背景模型构建方法

提出了一种基于图像分块的背景模型构建方法,目的是为了减少像素形式的背景模型所带来的计算冗余,提高系统的运行速度．文中回顾了目前主要的背景提取方法,给出了图像分块的方式以及几种常用的图像块特征,并且利用图像块的特征来构建自适应的高斯混合模型．通过一组视频将该方法与传统的像素形式的背景模型进行了实验对比;结果表明,该方法在保持相同的目标检测率的情况下,大大提高了系统的运行效率．     

自适应混合高斯背景模型的运动目标检测方法

提出了一种静止摄像机条件下自适应的运动目标检测方法。该方法基于同一像素点被同一灰度车辆覆盖几率小的假设构建初始背景,为每个像素点在线选择高斯分布个数。根据像素点与其邻域像素间存在联系的思想,在线更新学习率。最后用背景差分法检测出运动目标。实验结果表明,同基于传统混合高斯模型的运动目标检测方法相比,该方法有较好的自适应性,能快速适应场景的变化。     

自适应混合高斯背景模型的改进

对自适应混合高斯背景模型进行了改进，将背景重构和前景消融时间控制机制整合到传统自适应混合高斯背景模型中，以提高运动分割的质量。背景重构算法从含有运动物体的动态场景视频序列中重构静态背景图像，然后用重构的静态背景图像初始化自适应混合高斯背景模型；而前景消融时间控制机制则使运动物体停止时的前景消融时间独立于背景模型的学习速率，从而可以根据需要调节前景消融的持续时间。实验结果表明了算法的有效性。     

Joint fuzzy background and adaptive foreground model for moving target detection

Moving target detection is one of the most basic tasks in computer vision. In conventional wisdom, the problem is solved by iterative optimization under either Matrix Decomposition (MD) or Matrix Factorization (MF) framework. MD utilizes foreground information to facilitate background recovery. MF uses noise-based weights to fine-tune the background. So both noise and foreground information contribute to the recovery of the background. To jointly exploit their advantages, inspired by two framework complementary characteristics, we propose to simultaneously exploit the advantages of these two optimizing approaches in a unified framework called Joint Matrix Decomposition and Factorization (JMDF). To improve background extraction, a fuzzy factorization is designed. The fuzzy membership of the background/foreground association is calculated during the factorization process to distinguish their contributions of both to background estimation. To describe the spatio-temporal continuity of foreground more accurately, we propose to incorporate the first order temporal difference into the group sparsity constraint adaptively. The temporal constraint is adjusted adaptively. Both foreground and the background are jointly estimated through an effective alternate optimization process, and the noise can be modeled with the specific probability distribution. The experimental results of vast real videos illustrate the effectiveness of our method. Compared with the current state-of-the-art technology, our method can usually form the clearer background and extract the more accurate foreground. Anti-noise experiments show the noise robustness of our method.     

基于IFC标准的BIM自适应分词方法

建筑信息模型(BIM)已经成为建筑行业信息技术应用的有效方案.随着BIM数据不断增长,为了高效使用BIM数据,很多研究将自然语言处理(NLP)引入BIM应用中.在中文环境中,由于缺乏建筑行业的术语特征,导致基础环节的中文分词在建筑领域BIM应用中的适应性较差.通过分析当前流行的BIM数据格式工业基础类(industry...     

一种基于自适应混合模型的背景减除法

针对局部二进制相似度(LBSP)背景建模方法易受外界环境变化如动态背景、光照改变、相机抖动等干扰的问题,在融合像素纹理与亮度信息的基础上,建立一种自适应混合背景模型进行运动目标检测。首先,利用每个像素的多通道自适应局部二进制相似度(LBSP)信息和亮度信息建立混合背景模型。然后,根据当前像素与混合背景模型的比较结果对其进行分类,并采用随机更新机制更新背景模型。实验结果表明,本方法不仅在正常外界环境下取得了较好的检测结果,而且还可以有效地减少动态背景、光照变化等复杂外界环境条件造成的干扰,提高检测结果的准确性。     

高斯混合背景模型的适应能力研究

高斯混合背景模型是一种参数化统计模型,观察时间窗内像素样本模式呈现规律决定了背景模型的学习结果。针对背景动态变化的特点,研究了影响背景模型适应能力的模态稳定性与可塑性、模态残留与激活问题。仿真实验表明高斯混合背景模型具有较强的渐变选择性适应能力,而模态残留与激活机制为模型提供了有限的背景结构短时变化适应能力。     

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。     

Efficient adaptive thresholding algorithm for in-homogeneous document background removal

Image binarization refers to convert gray-level images into binary ones, and many binarization algorithms have been developed. The related algorithms can be classified as either high quality computation or high speed performance. This paper presents an algorithm that ensures both benefits at the same time. The proposed algorithm intelligently segments input images into several different sized sub-images by using a Sobel like matrix. After which each sub-image will be classified into background set or foreground set according to it’s feature. Finally the foreground set sub-images will be binarized by Otsu’s method independently. Experimental results reveal that our algorithm provides the appropriate quality with the medium speed.     

An adaptive peer-sampling protocol for building networks of browsers

Peer-sampling protocols constitute a fundamental mechanism for a number of large-scale distributed applications. The recent introduction of WebRTC facilitated the deployment of decentralized applications over a network of browsers. However, deploying existing peer-sampling protocols on top of WebRTC raises issues about their lack of adaptiveness to sudden bursts of popularity over a network that does not manage addressing or routing. Spray is a novel random peer-sampling protocol that dynamically, quickly, and efficiently self-adapts to the network size. Our experiments show the flexibility of Spray and highlight its efficiency improvements at the cost of small overhead. We embedded Spray in a real-time decentralized editor running in browsers and ran experiments involving up to 600 communicating Web browsers. The results demonstrate that Spray significantly reduces the network traffic according to the number of participants and saves bandwidth.