改进视觉背景提取ViBe算法的目标检测

针对视觉背景提取ViBe算法消除鬼影时间长、对动态场景适应性弱、对光线变化敏感等问题,提出一种适应性强的改进算法。在背景模型初始化时,通过对多帧图像随机选取像素点并累加判断后,形成与实际吻合度达86.78%的背景模型;提出衡量背景动态程度因子,根据其值获取图像的自适应聚类、更新阈值,提高了算法在动态背景下的检测精度;考虑到光线变化对检测结果的影响,提出衡量图像亮度因子并应用于聚类检测,增强了算法对光照的鲁棒性。与其他算法进行对比实验后表明,改进算法在不同场景中能有效检测目标物体,具有较好的适应性。     

复杂背景下改进视觉背景提取的前景检测算法

针对视觉背景提取模型存在的鬼影抑制效果差、动态背景适应能力不足等问题,本文提出了一种改进的视觉背景提取模型算法。在模型构建阶段,该算法充分融合时空域信息初始化背景模型,避免了样本的重复选取,提高了鬼影抑制能力;在像素分类阶段,根据背景动态程度,引入自适应距离阈值代替全局固定阈值,增强了模型对动态背景的适应性;在背景更新阶段,对连续多帧判定为前景的像素点进行阈值判断,并及时更新到背景模型,消除了运动背景与静止前景造成的虚影现象。多个公开视频数据的测试结果表明,本文算法相比典型算法在复杂背景下检测的准确性和鲁棒性都有了很大提高。     

一种基于改进视觉背景提取算法的前景检测

针对视觉背景提取ViBe算法在前景检测中存在的鬼影现象且长时间难以消除的缺点,提出一种改进的视觉背景提取算法。首先,在视频前n帧序列的帧差法中,引入大津（OTSU）算法求自适应阈值,以分割出更为准确的前景区域;其次,利用去除前景区域的前n帧图像合成一张尽量少的包含前景区域的样本图像;最后利用扩展的邻域范围在合成的样本图像中对模型初始化,并把扩大的范围用在ViBe背景模型更新阶段。该算法与各种经典算法在大量视频库中进行了对比实验,仿真结果表明,改进的ViBe算法能快速消除鬼影对前景检测的影响,前景检测更为准确。     

基于改进的PBAS算法的前景目标检测

针对像素层自适应分割算法(Pixel Based Adaptive Segmenter,PBAS)在动态背景下检测准确率低、静止或运动缓慢的前景目标被更新为背景以及出现鬼影干扰的问题,提出了一种 结合 像素级信息和区域级信息的改进的前景检测算法。首先,提出一种融合区域结构信息和区域颜色信息的背景复杂度衡量方式;然后,采用改进的背景复杂度来控制判定阈值和学习率,并检测前景;其次,对像素层的检测结果使用区域窗口进行空间邻域对比,以消除鬼影;最后,引入前景计数机制来保证静止前景不被更新为背景。实验结果表明,该算法对光照条件和前景运动速度不敏感,能有效地从背景中检测出完整的前景目标,并迅速地消除鬼影干扰,准确率达到了92.7%。     

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。     

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.     

基于改进视觉背景提取算法的运动目标检测

针对经典视觉背景提取算法因初始帧存在运动目标易产生鬼影以及对扰动背景适应性差的问题,提出一种改进ViBe算法;利用改进三帧差分法和最小外接矩形定位初始帧运动目标,并通过局部初始化的方法进行鬼影抑制;在背景模型初始化阶段,定义灰度相似函数从时域和空域信息中中等比例选取像素点建立背景模型,增强背景模型的鲁棒性;在前景检测检测阶段,通过平均差法衡量样本集合的离散度,构建自适应分割阈值代替原有的固定分割阈值以适应背景扰动;实验表明,改进算法可以有效抑制鬼影产生并且提高算法在扰动背景下的适应性和检测准确度。     

一种改进的视觉背景提取算法研究

针对视觉背景提取(ViBe)算法在初始化背景模型时易产生鬼影以及对户外动态场景适应能力差、检测精度低等问题,在算法初始化阶段,通过采用前景点计数的方法,统计静止像素点占前景块的百分比,有效抑制了鬼影的产生,提高了算法检测精度;在前景检测阶段,根据场景的动态程度自适应调整阈值,提高了算法对动态背景的适应能力.实验表明:与原算法相比,在动态场景中算法检测精度提高了20%以上.     

运动目标精确检测算法

针对运动目标检测中背景多变和干扰多样的问题,提出了一种运动目标精确检测方法。首先在HSV空间,利用无约束的学习方式迅速建立三向量背景模型,各象素点根据其像素本身的混乱程度采取不同个数的三向量模型进行描述,然后在运动目标检测过程中及时的根据背景变化对背景模型进行更新,同时根据各种干扰的特点,分别实现了光照变化、物体的移入移出和运动目标短暂停留的干扰检测和排除,使背景模型抗干扰性和收敛速度得到有效提高。实验结果表明,该算法准确性高、抗干扰性强。     

基于视觉背景提取的自适应运动目标提取算法

在复杂场景下的视频运动目标提取是视频分析技术的首要工作。为了解决前景运动目标提取的精确度不高的问题,提出一种基于视觉背景提取(ViBE)的改进视频运动目标提取算法(ViBE⁺)。首先,在背景模型初始化阶段采用像素的菱形邻域来简化样本信息;其次,在前景运动目标提取阶段引入自适应分割阈值来适应场景的动态变化;最后,在更新阶段提出背景重建和调整更新因子方法来处理光照变化的情形。实验结果表明,对于复杂视频场景LightSwitch的运动目标提取结果在相似度指标上,改进后的算法与混合高斯模型(GMM)算法、码本模型算法以及原始ViBE算法相比,分别提高了1.3倍、1.9倍以及3.8倍。所提算法能够在有效时间内对复杂场景具有较好的自适应性,且性能明显优于对比算法。     

基于改进高斯混合模型的前景检测

针对自适应混合高斯背景模型执行速度慢、检测前景时容易产生“鬼影”等问题,提出一种改进的混合高斯背景建模方法。该方法通过对高斯分布权值和生存时间的限制,建立高斯分布退出机制,使模型能根据场景自适应选择每个像素的高斯分布个数,从而去除多余高斯分布,加快算法执行速度。在模型更新过程中,通过融入帧间差分,将每帧图像分成运动像素、背景像素及非真实运动像素,并通过对非真实运动像素赋予较大学习率来加速移出背景的恢复,从而避免“鬼影”和拖影现象。实验结果表明,与传统检测方法相比,该方法可以获得更好的目标检测效果。     

一种基于多层背景模型的前景检测算法

动态场景中的前景检测是后继处理的基础和制约整个智能视频监控系统稳定性、可靠性的关键。为了在保证运动目标检测的基础上,进一步检测出前景中的静止目标并消除"鬼影(Ghost)",提出了一种基于多层背景模型的前景检测算法。该算法将背景分为参考背景和动态背景两层,分别采用单高斯和混合高斯模型进行背景建模。在线检测时,采用动态背景提取变化前景,用动态背景与参考背景之间高斯分布的差异提取静止前景,同时,通过逐层分析,比较输入像素与两层背景模型分布的相互关系,快速消除Ghost,降低虚警。实验结果表明,多层背景模型具有良好的检测性能和实时性,为后继跟踪、分类等处理提供了坚实的基础。目前,以该算法为核心构建了一个实时目标检测、跟踪系统,对图像大小为320×240的视频序列的平均处理速度达到15帧/s。     

一种改进的基于背景差分的运动目标检测方法

文中在介绍运动检测方法的基础上,阐述了背景差分运动检测算法的优缺点。文章为实现高效的运动检测目的,提出了改进的基于背景差分的检测方法,体现在改进的基于帧间差分实现的背景建模算法以及改进的自适应背景更新算法,综合实现了基于背景差分的运动目标检测。针对背景差分受环境约束较大的缺点,改进措施能够很好地完成效果较理想的运动检测。实验结果表明,使用文中改进的背景差分进行运动目标检测,能够趋近于得到真实的没有运动目标的背景,其次实现了背景能够很好地自适应更新以适应环境的变化,使得最终的运动目标检测取得了良好的实验效果。     

改进背景先验和前景先验的显著性检测

针对传统的流行排序显著性检测算法存在的问题,本文提出了改进背景先验和前景先验的显著性检测.首先计算图像的凸包,并将图像分割成不同尺度的超像素;然后以凸包区域之外的超像素为背景种子,结合多尺度下图像的多种底层特征得到最终的背景显著图;第三,以凸包区域之内的超像素为前景种子,结合多尺度下图像的多种底层特征得到最终的前景显著...     

基于双层背景的遗弃物检测方法

提出一种基于双层背景的遗弃物检测方法。分别采用滑动平均算法和改进的高斯混合模型,对参考背景和动态背景进行建模,通过2个背景得到前景间的差异,以此提取静止前景,对检测到的静止物体进行直方图匹配以消除鬼影,在前景检测的基础上引入均值漂移算法和粒子滤波算法,处理物体间遮挡问题。实验结果证明了该方法的有效性。     

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。     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背蒂模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验．比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背景模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验,比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。