一种用于消除伪影的增强视觉背景提取算法

视觉背景提取算法(ViBe)在视频的首帧图像中随机地选取每个像素的空间邻域像素,对其背景模型进行初始化。该算法在检测初期容易产生伪影。针对该问题,提出一种采用像素的时间域信息初始化背景模型的增强视觉背景提取算法(E-ViBe)。首先,利用像素在连续的多帧图像中的历史像素完成模型的初始化;然后,根据空间邻域像素所得到的背景复杂度自适应地获取分割阈值;最后,采用动态更新率对背景模型进行更新,从而让背景模型更快、更好地适应场景的变化。实验结果表明,E-ViBe算法不仅能够快速、有效地去除伪影,也提高了目标检测的准确度。     

基于时空背景差的运动目标检测算法

假定图像序列的背景图像已经获得,提出一种基于时空背景差的运动目标检测算法.该算法融合背景差分、基于时间信息的帧间差分及基于空间信息的背景差分信息,得到真实运动物体的运动种子点,认为背景差分图像中包含运动种子点的连通区域为真实的前景目标,从而可以检测出正确而完整的前景目标.仿真实验表明,该算法可以避免背景模型对场景的表征不足及背景更新阶段造成的错误检测,即使在场景中存在微小运动的复杂环境下,仍能实现准确的运动分割.     

基于区域相关的核函数背景建模算法

传统的背景建模方法都是单独为每个像素建立背景模型,这样就没有考虑像素之间实际存在的相关性,使得在进行前景和背景分割时出现不该出现的空洞和噪声点。为了解决这一问题,提出了一种基于像素邻域信息的核密度估计背景建模算法;给出了相邻像素亮度值分布模型间的相关性描述,并将该相关性引入到背景建模中,得到包含时一空信息的背景模型,并提出背景模型的更新策略;实验结果表明,算法能有效去除前景区域内的空洞和背景区域内的噪声点,能快速准确地更新背景模型,能进行复杂场景的背景建模。     

嵌入式运动目标提取实时图像处理系统

针对大数据量、高速传输复杂的图像处理算法,以Matrox Oddysey图像处理卡为基础,设计了多目标实时图像处理系统.提出了一种结合帧间减法与背景自适应更新的算法,完成实时交会处理任务,满足靶场弹道试验任务的实时性要求.自适应背景更新是一种有效的用于视频序列图像运动目标检测的算法.该领域中很多方法被提出来,但是很少提及用于实时处理系统.我们着眼于算法的高速性并提出一种足够快的方法用于弹道测量系统.用高斯分布建立每个像素的灰度模型,这个分布用来区分前景和背景像素以便用来更新背景模型.     

自适应核密度估计运动检测方法

提出了一种自适应的核密度估计(Kernel density estimation, KDE)运动检测算法. 算法首先提出一种自适应前景、背景阈值的双阈值选择方法, 用于像素分类. 该方法用双阈值克服了单阈值分类存在的不足, 阈值的选择能自适应进行, 且能适应不同的场景. 在此基础上, 本文提出了基于概率的背景更新模型, 按照像素的概率来更新背景, 并利用帧间差分背景模型和KDE分类结果解决背景更新中的死锁问题, 同时检测背景的突然变化. 实验证明了所提出方法的适应性和可靠性.     

一种基于分类的复杂场景背景更新算法

提出了一种基于分类的背景更新算法。对现有模板进行改进,提出一种生长模板来对差分图像中的目标点和噪声点进行检测。生长模板根据像素点局部特征自动选择生长方向,从而对目标点和噪声点进行判断。利用基于像素的背景更新策略,实现了目标遮挡区域的背景更新。实验证明了生长模板的有效性,该算法可以在复杂场景下实现背景更新。     

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。     

基于多高斯分布的背景生成算法

提出一种基于序列图像的改进的多高斯分布背景生成算法。该算法在用多高斯分布背景中每个像素建模的基础上,把每个像素对应的若干个高斯分布分成可靠分布和不可靠分布,依据序列图像中每幅当前图像的像素值创建新分布、更新已有分布和删除过时分布来更新背景模型,并实时生成不含运动目标的背景图像。算法定量分析了实验数据,结果证明,该算法具有良好的自适应能力和稳定性。     

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.     

能量法的自适应背景更新算法

光流法不适用于复杂的环境,计算量大、用时长,且实时性不高,而背景图像差分法只适用于静止不动的背景,且不能使背景图像随监视场景背景变化而及时地更新。因此,提出了能量法的自适应背景更新算法SBUE。该算法主要用于运动目标检测,即在复杂背景变化的情况下,能够实时地修正或更新粗背景模型CBM,再结合背景图像差分法与运动物体能量相似性分割出完整的运动目标,具有普遍的适用性。通过实验证明了算法可以快速、准确地更新变化复杂的背景,提高运动目标的识别精度。     

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.     

基于概率统计自适应背景模型的运动目标检测方法

为了更好地进行运动目标检测,提出了一种基于概率统计的自适应背景模型的运动目标检测方法。该方法能够自适应选择背景和前景阈值,且不需要进行训练,而且在不同的场景下能够自适应进行选择。在此基础上,针对盲目更新和选择更新不足,还采用了像素聚类统计和概率相结合的背景更新模型,因为采用基于像素统计的更新机制能够适应场景中背景的局部改变(移入/移出物体),而采用概率更新则能够降低前景污染背景的程度。实验证明,该方法能够得到可靠的背景,改善了运动检测效果。     

颜色和纹理特征的运动目标检测

针对复杂场景中运动目标检测这一难题,提出利用RGB颜色特征和尺度不变局部三元模式的运动目标检测算法。利用时域中值法得到估算背景图像并快速初始化背景模型。通过颜色特征、纹理特征相似性度量,融合得出背景概率网络,通过侧抑制滤波提高对比度分类出前景与背景像素,前景像素进一步进行阴影检测,将阴影点归为背景点,但不用于模型更新。将算法与GMM、SC-SOBS、SUBSENS算法在变化检测数据库中进行对比验证。实验表明,新算法在满足实时性的基础上,对动态背景,阴影和相机抖动等有一定的鲁棒性。     

混合高斯模型和帧间差分相融合的自适应背景模型

提出了运动目标检测中背景动态建模的一种方法。该方法是在Stauffer等人提出的自适应混合高斯背景模型基础上,为每个像素构建混合高斯背景模型,通过融入帧间差分把每帧中的图像区分为背景区域、背景显露区域和运动物体区域。相对于背景区域,背景显露区中的像素点将以大的更新率更新背景模型,使得长时间停滞物体由背景变成运动前景时,被遮挡的背景显露区被快速恢复。与Stauffer等人提出的方法不同的是,物体运动区不再构建新的高斯分布加入到混合高斯分布模型中,减弱了慢速运动物体对背景的影响。实验结果表明,在有诸多不确定性因素的序列视频中构建的背景有较好的自适应性,能迅速响应实际场景的变化。     

一种车辆视觉导航中自适应背景模型提取算法

为了解决统计背景模型在图像远景及车流量较大时容易出现错误像素点的问题,提出一种自适应背景模型提取算法.在车流量少时,利用统计直方图法提取背景;在车流量大时,利用帧差法获取图像中背景像素点,然后求其平均灰度值来重组的图像帧,最后利用统计直方图法进行背景建模.定义了算法比较标准,并据此比较了该算法与传统算法在不同车流量下的性能优劣.实验结果表明,通过分析图像中运动车辆像素信息区分车流量大小,实现对背景提取算法的自适应选择,使其在实际应用中更具针对性和灵活性,为准确地检测出运动车辆提供必要的基础.     

一种基于鲁棒局部纹理特征的背景差分方法

针对复杂场景下运动目标的精确检测这一问题,提出一种对噪声鲁棒并具备灰度尺度不变性的局部纹理特征描述子LBP_Center,将其与像素的颜色信息结合应用于背景建模中,采用随机抽样的机制更新模型,同时引入背景复杂度以去除多模态动态背景产生的噪点。在标准测试数据集上的实验结果表明,该算法对柔性阴影及光照缓慢变化具备良好的鲁棒性,综合性能更优。     

迭代分析相对密度的高光谱异常检测

目的 针对复杂高光谱数据在不同地物规模和光谱特征上的差异,致使背景特征难以准确描述,导致异常检测算法检测效果不理想的问题,提出一种基于相对密度分析建立背景模型的高光谱遥感异常检测算法。方法 该算法借助最大相对密度分析的思想,通过统计与待测像元相似像元的数目作为其相对相似性分布密度,在像元光谱特征相似性分布密度的驱动下,自动搜索聚类中心并实现自适应聚类。为了避免不同背景地物受类别规模差异的影响,设计迭代筛选方法不断提取具有相对最大分布密度的类作为背景地物类别。当迭代终止时即可获得关于背景地物的统计模型,最后采用经典的马氏距离实现异常检测。结果 仿真实验采用两组常用的数据HyMap和HYDICE,与经典算法如基于聚类分析的异常检测算法（CBAD）、局部RX算法（LRX）和基于空间边缘特征变化的异常检测算法（2DCAD）等进行比较,并采用受试者工作特性曲线（ROC）和ROC曲线下面积（AUC）作为评价标准对实验结果进行分析。从实验数据中可以看到,本文算法在ROC曲线整体上表现优于其他算法,在HyMap下AUC值比同类算法至少高出5.6%,HYDICE下AUC值比同类算法至少高出13.6%。另外,对于不同数据,本文算法最终表现较为稳定,鲁棒性较好。结论 实验结果表明该算法无需构建分类面以及设定类别数目,在每次迭代中根据数据本身特征自适应地获取当前规模下背景显著性强的像元。另外,本文建立背景模型的方法适用于不同复杂场景下的高光谱数据,可以获得对背景的准确描述,有助于改善高光谱数据异常检测中对异常目标显著性衡量的准确性。     

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。     

自适应邻域相关性的背景建模

目的 背景建模在计算机视觉领域中是检测、跟踪、行为学习和识别的基础,被广泛地应用于视频监控的运动目标检测。混合高斯（MOG）和Codebook是其中具有代表性的方法,但它们假设像素点间信息是独立的,只保留了时域信息而忽略了空域信息,使得模型对背景的描述局限于时间上的连续性。针对上述问题,提出了一种自适应邻域相关性的背景建模方法（ANC）。方法 ANC在保留原始方法时域信息建模特性的同时,增加对邻域模型的复用,同时利用计算结果反馈自适应调整邻域区域,提高对前景值判断的准确性。首先利用原始基于像素点的背景建模方法进行候选前景检测,然后将候选前景检测结果为前景点的像素与邻域像素点模型进行对比,若邻域范围存在匹配则为背景点,若不存在则为前景点;最后引入像素置信度概念,自适应调整邻域范围的大小。结果 与MOG和Codebook相比,在changedetection标准数据库上,ANC在ROC（受试者工作特征曲线）和度量值等方面的平均精度和F-measure都提高了7%以上。结论 自适应邻域相关性的背景建模方法适用于复杂多模态背景,克服了基于像素点背景建模方法假设的局限性。与普通基于像素点的背景建模方法相比,具有更好的鲁棒性和抗噪性,对复杂背景具有更强的适应性。