基于差分图像分块的视频背景提取算法

为了降低背景提取算法的时间复杂度和空间复杂度,提出一种结合差分图像分块、背景减除和帧间差法的背景提取方法。对差分图像进行分块分类,提出了一种统计像素值的子块分类法,对不同类的块用不同的更新策略进行背景实时更新。该算法有效解决了背景更新过程中运动目标逗留、背景物体移入移出等问题的影响。实验结果表明该算法运算速度快、鲁棒性高、能准确地提取实时背景。     

结合分块的改进三帧差和背景差的运动目标检测

针对运动目标检测易受背景影响及帧间差分易产生空洞的问题, 提出了一种基于分块的改进三帧差分和背景差分相结合的运动目标检测算法. 该算法利用边缘检测法和均值法建立初始背景模型, 将视频图像划分成多个子块, 对利用改进的三帧差分和背景差分获取的图像的各个子块进行自适应阈值检测, 获取图像中的运动前景目标, 背景图像采取自适应更新方法. 实验结果表明, 该算法能完整的提取运动目标, 背景适应性强, 具有较高的准确性和效率.     

分块帧差和背景差相融合的运动目标检测

提出了一种分块帧差和背景差相融合的运动目标检测方法。该方法利用图像分块建立初始背景模型,将视频图像划分为多个子块,对帧间差分图像的各子块进行自适应阈值检测,完成运动目标的粗分割,采用双阈值背景差分和邻域背景差分法对粗分割出来的运动区域进行细分割。背景采用自适应更新方法,能够克服光照变化和背景干扰。实验结果表明,该方法运算速度快、鲁棒性好,能够准确检测出运动目标。     

背景帧差与分块帧差相融合的运动目标检测

提出一种融合使用背景帧差和分块帧差的运动目标检测方法。该方法通过对图像的每个像素点进行学习,然后建立初始背景,通过不完全覆盖分块法对图像进行分块,对各子块进行帧间差分实现对前景图像的粗提取,采用otsu算法获取阈值,运用背景差分对前景图像进行细提取。背景采用分段学习的更新方法,能够消除光照变化、背景物体摇动等噪声。实验结果表明,该方法快速、准确,抗干扰能力强,能较好地满足实时检测运动目标的要求。     

逐次分块差分直方图对运动目标的提取

为从视频图像序列中准确且完整地提取运动目标,提出一种基于运动差分直方图的目标提取算法。通过对视频图像序列中两帧相邻图像以及它们的差分图像进行逐次分块,分析对应分块的差分直方图,利用背景区域块与目标区域块对应的差分直方图分布不同,逐步去除背景提取目标,有效避免提取的目标内部出现空洞,以块为单位的处理提高算法运行速度。通过数值实验验证了该算法具有较好检测性。     

基于对称差分的背景重构算法

针对现有的背景重构算法存在的问题,提出一种新的算法,该算法基于子块操作,利用对称差分重构背景。首先对对称差分算法进行了改进,然后基于对称差分结果进行背景重构。该算法一定程度上利用了相邻像素间的关系,计算简单,不需存储采样图像,且对光照和背景变化可以自适应更新。实验结果表明,该算法能够快速、有效地重构背景图像。     

一种新的道路背景提取及更新算法

提出一种新的基于颜色模式的道路背景提取及更新算法.通过计算一段时间内视频图像的颜色模式来提取背景图像.为了避免了环境光的扰动对背景图像的影响,引入量化后的颜色模式的计算公式,增强了算法的鲁棒性.通过计算当前图像和背景图像以及上一帧图像的差分,得到不变区域更新背景.实验表明,本算法对光线变化鲁棒性高、速度快、更新效果好.     

可变块大小监控视频背景建模与编码

为了满足监控视频高压缩比的需求,以及应对海量监控视频码流对传输带宽和存储空间带来的挑战,提出一种基于块的监控视频背景图像建模算法(BSBM).首先对编码图像进行分块处理,块大小在建模过程中根据训练集长度增加而增大;然后计算块中图像残差的梯度,用于刻画运动物体的边缘特征;最后通过块替换分类检测和块边界检测来判断当前块是否为待选背景块,从而更新背景模型.基于BSBM建立的背景图像,提出长参考编码帧间预测策略,将构造出的背景图像作为全局参考图像使用,进一步提高编码性能.在RD17.0平台上的测试结果表明,在低延时应用场景下,BSBM算法背景图像主观质量较好;在YUV的3个方向上,平均BD-Rate增益可以达到19.7%,26.6%和26.4%,编码性能提升显著.     

基于长时间视频序列的背景建模方法研究

针对现有背景建模算法难以处理场景非平稳变化的问题,提出一种基于长时间视频序列的背景建模方法.该方法包括训练、检索、更新三个主要步骤.在训练部分,首先将长时间视频分段剪辑并计算对应的背景图,然后通过图像降采样和降维找到背景描述子,并利用聚类算法对背景描述子进行分类,生成背景记忆字典.在检索部分,利用前景像素比例设计非平稳状态判断机制,如果发生非平稳变换,则计算原图描述子与背景字典中描述子之间的距离,距离最近的背景描述子对应的背景图片即为此时背景.在更新部分,利用前景像素比例设计更新判断机制,如果前景比例始终过大,则生成新背景,并更新背景字典以及背景图库.当出现非平稳变化时（如光线突变）,本算法能够将背景模型恢复问题转化为背景检索问题,确保背景模型的稳定获得.将该框架与短时空域信息背景模型（以ViBe、MOG为例）融合,重点测试非平稳变化场景下的背景估计和运动目标检测结果.在多个视频序列上的测试结果表明,该框架可有效处理非平稳变化,有效改善目标检测效果,显著降低误检率.     

基于自适应分块和SSIM的运动目标检测

研究了目标检测方法。针对传统背景更新方法易受噪声干扰、算法执行速度慢等弊端,对背景差分法予以改进,提出一种基于自适应图像分块和结构相似性(SSIM)的运动目标检测方法。根据视频最初几帧得到初始背景模型,再对视频后续的每帧进行自适应分块处理,利用相邻帧对应分块的结构相似性计算局部更新率,建立背景模型,将背景与当前帧差分即得到运动目标。实验结果表明,与传统的背景差分法相比,改进后的方法具有更好的检测效果。