基于改进ViBe算法的运动目标检测

运动目标检测是智能视频监控中必不可少的环节,其检测结果的好坏影响着后续的研究。针对ViBe算法的不足,对ViBe算法进行了改进。根据chromacity法检测出阴影,通过在当前像素上添加与平均背景强度之间的差值来移除阴影;根据均值法提取出的背景建立初始背景模型,消除后续帧检测时出现的鬼影;通过缩小更新因子加快背景模型更新速度,快速消除均值法在运动目标过多时不能得到干净背景的问题;用自适应阈值代替固定阈值,引入颜色失真值,根据自适应阈值以及颜色失真值进行像素点分类;对前景目标进行去除小面积连通域操作以降低动态背景及噪声的干扰;通过进行闭运算操作以填充目标区域的空洞。实验采用CDnet 2014数据集进行验证,实验表明,改进算法能够有效地消除阴影和鬼影,提高了检测精准度,检测效果较为理想。     

改进ViBe的运动目标检测算法

针对Vi Be算法存在鬼影、噪点的问题以及不能快速适应复杂背景进而出现误检率高的问题,提出一种改进的ViBe算法。首先算法在背景建模时将8邻域的像素点扩大到了24邻域;其次采用自适应的阈值对复杂背景进行检测;最后为了提高检测目标的准确性,改进的ViBe算法和改进的帧差法通过逻辑与或运算进行结合,并且进行形态学滤波处理对运动目标进行完整的提取。实验结果表明,改进的算法可以在更短的时间内消除鬼影,并且静态背景下检测运动目标的F-measure提升了14.2%,在树枝晃动和相机抖动的复杂背景下,能够得到较为完整和准确的运动目标,并且F-measure平均提升了2.6%。     

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.     

基于最小误差阈值自适应的ViBe改进算法

针对ViBe算法无法快速抑制鬼影现象的问题,提出一种基于最小误差阈值自适应的ViBe改进算法。文中通过计算每一帧图像的最小误差分割阈值来对鬼影像素点进行判别并消除,加快了鬼影的抑制速度。并且根据样本方差的大小动态调整样本距离判定阈值,提高了该算法检测复杂场景时的准确率。此外,通过计算像素点的梯度值有效地优化了背景模型的更新速率。实验结果表明,改进后的ViBe算法有效地提高了鬼影的消除速度,并且算法的准确率也得到了提升。     

视频监控运动目标图像优化检测仿真

针对传统的ViBe检测算法在检测中出现鬼影、静止目标、阴影的缺陷,提出将像素值转化到小波域中进行分频,经过算法的优化设计,实现一种基于小波域中检测的新算法。针对ViBe算法中存在鬼影和静止目标的缺陷,将其背景更新策略设计成阶梯型更新,并赋予前景点也具备传播更新背景模型的特性,从而克服了ViBe算法中的鬼影和静止目标缺陷;接下来,利用小波分析的多尺度空间信息进行算法设计,从而达到去除阴影的目的;最后通过3组视频序列进行综合实验,用3个标准进行评价实验结果。实验结果表明,该算法实现了运动目标的有效检测,且优化了ViBe算法的缺陷。     

基于自适应Lab色差阈值的ViBe运动目标检测算法

针对视觉背景提取算法(ViBe)对光照变化和运动 阴影敏感、提取的运动区域容易产生空洞的问题,本文提出了基于自 适应Lab色差阈值的ViBe运动目标检测算法。根据图像的局部背景亮度与色彩的空间频率对 人眼视觉的影响,自适应的确定 每个像素点的色差阈值,用于像素点与背景模型的匹配;然后,利用邻域像素点的空间一致 性原则,对检测结果进行修正; 最后,统计各连通域的面积,去除小面积的运动目标。实验结果表明,本算法可以有效的适 应光照变化、抑制运动阴影、填 补运动区域的空洞,具有比ViBe算法更好的检测效果。     

一种改进的基于ViBe的运动目标检测方法

ViBe运动检测算法消除鬼影的速度慢,并且在分类像素点的时候由于距离阂值固定导致检测结果的准确率下降.文章对ViBe算法存在的这两个问题做出改进.样本的选取范围由8邻域扩大到24邻域,避免选择重复的样本,加快鬼影的消除过程;在像素分类的时候根据背景动力学自适应地确定距离阈值,增强算法抗背景干扰的能力,并选用2组视频来验证改进后的算法.从检测结果可以看出,改进后的算法去除鬼影的速度更快,并且检测结果更加准确.     

复杂背景下的运动目标分割与阴影消除

针对目前运动对象分割不完整,以及存在阴影和鬼影对运动目标分割的影响,提出了一种基于复杂背景下的运动目标分割与阴影消除方法.首先利用高斯混合模型进行初始背景建模并提取初始前景对象,将当前视频帧和背景模型进行差分运算,且通过多尺度小波变换时空域特征,将多尺度分析和图像分割相结合,压制阴影并消除鬼影对运动目标分割的影响而得到...     

融合ViBe改进算法和图像均值的运动目标检测

针对视频前景提取(ViBe)算法在模型初始化时因前景像素干扰导致的“鬼影”问题,面对复杂背景环境的更新策略问题,提出利用图像像素均值作为参考对ViBe算法模型进行初始化优化;同时,提出随背景模型复杂度变化的自适应更新策略。利用邻域像素和连续帧背景像素的相似性进行背景模型初始化;然后通过计算样本间各像素的方差判定背景模型是否稳定,建立自适应的更新策略;最后提取运动目标。通过CDnet2014数据集验证表明：该算法有效改善了“鬼影”现象,提高了背景模型在复杂环境下的鲁棒性,各项客观评价指标也有所提升。     

基于双背景模型的改进Vibe运动目标检测算法

针对传统视觉背景提取法(Visual background extractor,Vibe)不能抑制鬼影和去除阴影干扰的问题,提出一种改进算法.缓存视频前K帧图像,利用随机抽样和改进均值法构建两个背景模型,分别用于前景检测和阴影去除;前景检测环节扩大样本的抽取范围,提高模型可靠度,抑制鬼影;替换虚假样本完成前景检测模型的更新;对所得感兴趣前景区域,结合灰度和LBP纹理特征信息消除阴影.实验结果表明,改进算法能有效抑制鬼影,消除阴影干扰,检测结果更加精确.     

改进型ViBe算法在运动目标检测中的应用

作为计算机视觉领域的热门方向之一,运动目标检测具有很高的理论研究价值和很广的实际应用空间。传统视觉背景提取器(Visual Background Extractor, ViBe)目标检测算法实时性高且内存消耗低,但存在受光照影响大、不能有效抑制拖影区域、无法消除阴影以及检测图像内部空洞等问题。鉴于以上不足,提出3点针对性改进策略：(1)优化算法核心参数。筛选最优值来替换以往经验值,从而提高算法性能,增强算法适应性。(2)引入光强检测算子。阈值半径随光强变化自适应,避免因光照变化而出现拖影区域。(3)增加阴影检测模型。利用感兴趣区域(Region of Interest, ROI)像素分布确定阴影位置,结合运动目标自身特性分割出目标区与阴影区。仿真实验结果证明：改进型ViBe算法不仅能够完整地检测、抓取运动目标,而且还可以有效地抑制拖影区域并消除目标阴影。     

基于自适应阈值的前景提取算法

针对固定场景视频监控中运动目标提取的问题,提出了一种基于自适应阈值的前景提取方法。该算法通过混合高斯模型(GMM)对背景建模及更新,利用自适应阈值的方法,实现了模型门限的自适应调整和前景目标的分割。然后通过阴影抑制,滤波以及形态学处理的方法对前景目标进行后处理,改善了前景目标分割的质量。通过对不同场景的测试仿真表明,该算法能够有效地并且比较完整地提取出运动目标。     

基于ViBe的改进运动目标检测方法

提出一种基于ViBe算法的改进运动目标检测方法。改进的方法利用二十帧图像进行背景模型的初始化,通过比较SILTP特征值来对前后景像素进行分类,模型更新机制采用替代异常值的方式。在不同场景下的实验结果表明,改进后的算法对光照变化、鬼影产生和噪声具有强鲁棒性。     

一种改进的基于纹理和颜色的运动阴影检测

精确地消除活动阴影对运动目标的影响是智能视频监控的核心任务之一,针对当前运动阴影检测中采用的纹理信息过于粗糙、阈值选取需要人工干涉等问题,通过对NCC(归一化互相关)纹理算法进行改进,并结合亮度和归一化颜色特性,提出一种自适应的运动阴影检测方法。以混合高斯模型得到的前景像素为基础,通过阴影在亮度和归一化颜色的特性筛选出候选的阴影区域,结合改进的纹理算法进一步缩小阴影区域范围,最后利用空间后处理得到真实阴影。实验结果表明,该算法在有效降低噪声干扰的情况下能够较好区分局部纹理不明显的运动目标和阴影。     

基于嵌入式系统的运动检测算法的设计及实现

提出一种基于TMS320DM6437嵌入式视频处理系统的运动检测算法,采用实时性很强的ViBe算法进行背景建模及像素点分类,在背景更新的算法上,引入帧级更新的策略,以弥补ViBe算法对突变的背景更新较慢的不足.对前景二值图,使用扫描标记法实现对运动物体的捕捉.实验结果表明,该算法实时性强,适用于嵌入式系统.     

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。     

Moving cast shadow detection using online sub-scene shadow modeling and object inner-edges analysis

In this paper, we propose an adaptive and accurate moving cast shadow detection method employing online sub-scene shadow modeling and object inner-edges analysis for applications of static-camera video surveillance. To describe shadow appearance more accurately, the proposed method builds adaptive online shadow models for sub-scenes with different conditions of irradiance and reflectance. The online shadow models are learned by utilizing Gaussian functions to fit the significant peaks of accumulating histograms, which are calculated from Hue, Saturation and Intensity (HSI) difference of moving objects between background and foreground. Additionally, object inner-edges analysis is adopted to reject camouflages, which are misclassified foreground regions that are highly similar to shadows. Finally, the main shadow regions are expanded to recycle the misclassified shadow pixels based on local color constancy. The proposed algorithm can adaptively handle the shadow appearance changes and camouflages without prior information about illuminations and scenarios. Experimental results demonstrate that the proposed method outperforms state-of-the-art methods.