基于SVM和GMM的视频运动对象分割算法

针对传统的高斯混合模型分割方法易受复杂背景影响, 且对前景对象的分割效果不理想的问题, 提出了一种将高斯混合模型与支持向量机分类器相结合的算法.该算法首先将视频图像由高斯混合模型做初步二值化分割, 同时将视频图像用训练后的支持向量机分类器进行像素分类, 获取对应的前景块和背景块;然后, 将支持向量机得到的分割模板和高斯混合模型分割的结果进行与运算, 得到最终分割结果.实验结果表明, 该算法显著减少了动态前景对象的分割错误, 提高了分割质量.     

基于混合高斯和均值滤波法的运动检测方法

针对智能视频处理技术中运动目标检测问题,提出了运动目标检测中背景动态建模的算法.该算法有效地结合了均值滤波法和混合高斯模型法的优点,不仅提高了系统对快速运动目标的检测能力,而且消除了单独使用混合高斯法时容易产生的"假"前景区域现象,同时提高了前景检测率.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具有较好的自适应性,能迅速响应实际场景的变化.     

基于混合高斯模型的背景差分法的FPGA实现

针对视频中运动目标检测实时性问题,提出了一种基于混合高斯模型的背景差分法的FPGA实现方法.背景差分算法是运动检测算法中最常用的方法,该算法首先对实时得到的图像序列进行建模,得到运动场景的背景模型.然后在运动目标分割中及时的根据场景变化更新背景.考虑到实时性要求的高帧率、高分辨率视频分割任务,利用FPGA并行处理和硬件实现的优点,对混合高斯模型进行修改来对它进行定制,以适合于硬件实现.最后,通过在FPGA开发平台进行了仿真实现,结果验证了算法在硬件实现的正确性,以及在实时性能上的提高.     

基于高斯混合模型和帧间梯度信息的运动目标视频分割算法

视频序列的运动分割是运动分析和运动跟踪的基础,本研究基于高斯混合模型和帧间梯度信息提出了一种新的运动目标分割算法。在利用亮度信息对背景建立自适应高斯混合模型的基础上,进行前景的粗分割;针对由于视频信号的亮度和色彩分量随光照突变有较大的改变,导致大片背景的高斯模型产生错误匹配,误判为前景的问题,为了提高高斯模型分割算法的鲁棒性,结合结构梯度互相关函数对分割结果进一步校正,使之能适应剧烈的光照变化;最后,利用数学形态学进行后处理,消除影子和孤立的噪声点。通过不同场景的运动分割实验,表明该算法在复杂背景和剧烈光照变化条件下具有较强的鲁棒性和较高的分割精度。     

一种基于时空兴趣点和光流法的行人检测方法

为解决视频监控系统中帧差光流法在光照变化大时对目标检测存在误差大的问题,提出一种基于时空兴趣点的目标检测算法。从光流的行人目标提取着手,首先对图像序列进行高斯滤波、Gabor滤波,提取到兴趣点集,然后对兴趣点集提取运动目标区域,接着在一定区域进行光流计算,识别并跟踪目标。实验结果表明,该方法的准确率比传统的帧差光流法的准确率高,且在简单的实际场景中更有效。     

基于H.264压缩域的背景建模与前景对象分割

提出了一种在H.264压缩域下进行背景建模和对象分割的方法.首先利用I帧的DC和AC系数信息生成块残差能量图,再通过Intra.预测信息对该能量图进行滤波,最后采用混合高斯模型对背景进行建模并分割出前景对象.实验结果表明,用该背景建模和对象分割方法可以获得很好的分割效果.     

基于改进光流法的目标跟踪技术研究

针对传统光流法处理视频序列时存在运行效率低及跟踪偏移问题,结合粒子滤波模型提出一种改进光流法的视频目标跟踪技术.该技术首先通过遍历法搜索运动点,采用质心定位方式捕获目标质心坐标,然后将得到的视频序列进行光流处理,最后经粒子滤波求解质心运动信息,以实现对视频中目标的精确检测与追踪.在不同场景下对不同数量、不同类型目标进行...     

结合场景运动模式的有向加权AdaBoost目标检测

针对现有检测算法对场景先验信息和群体运动规律考虑甚少这一局限性,提出一种结合场景运动模式的有向加权AdaBoost目标检测算法.该算法首先建立了一种基于速率加权方向直方图矩阵的场景运动模式模型,并在此基础上通过稀疏光流投票方法获取场景的运动模式信息.同时,针对该模型提出一种有向加权AdaBoost检测算法,通过建立多个有向AdaBoost分类过程,并利用局部区域的运动模式对分类过程加权,最终实现运动目标检测.通过交叉验证分类实验和视频检测实验验证,该算法在相同假阳性率条件下的查准率较传统AdaBoost检测器的高出约10%,充分验证了算法的有效性和优越性.     

基于自适应混合高斯模型全方位视觉目标检测

针对全方位视觉传感器视野范围大的特点,提出一种基于自适应混合高斯模型的全方位视觉目标检测系统.该系统通过Hough变换检测全方位图像的中心,基于图像中心对全方位图像进行展开.对展开后的图像利用混合高斯模型进行背景建模,并自适应地更新背景模型,通过前景分割可以有效地分割出运动目标.在图像展开及混合高斯建模时,通过调整系统的采样频率可以较好地改善目标检测的实时性.实验结果表明,该系统可以在复杂环境中有效地检测运动目标,具有较强的准确性和鲁棒性.     

基于光流改进与YOLOv3的烟雾检测方法

火灾严重威胁着人们的生命和财产安全,而烟雾作为火灾前期的一个重要特征,应当作为火灾检测的首选目标.为了解决传统火灾检测在准确度和实时性上存在的不足,提出了一种基于传统光流改进与YOLOv3结合的烟雾检测模型.该模型针对烟雾的动态特征,通过改进光流算法对动态前景区域进行目标框定完成一次筛选;利用大样本数据集训练的YOLO...     

集成多特征信息的运动阴影检测

为实现监控场景中运动目标和阴影的准确分割,提出了一种基于GMM和MRF的运动阴影检测与消除算法.首先,利用GMM的学习能力建立背景统计模型并得到前景区域像素集合.其次,将前景区域与对应背景区域间的颜色、边界、纹理和时空一致性等特征信息集成到马尔可夫随机场能量函数中,并利用图割算法实现马尔科夫随机场能量函数的最小化,得到...     

动态背景下基于自更新像素共现的前景分割

针对共现像素-支持块模型（CPB）存在的问题,提出一种新的自更新像素共现模型（SU-CPB）. 引入经大规模监控场景训练的时空注意力模型（STAM）,将STAM分割掩模作为指导,通过3种方法,包括像素-支持块对的动态选择,结构失效支持块的替换与前景相似度的计算,完成对支持块的在线自更新,解决CPB不具备更新能力带来的模型性能下降的问题,并使SU-CPB具备跨场景前景分割能力. 实验结果表明,该方法在所有测试场景下均优于CPB,并在未经STAM训练的Wallflower与LIMU数据集下,显著优于单纯的STAM、CPB以及其他参与对比的方法.     

基于混合高斯模型的行人检测方法

针对道路交通中行人的特点,从参数更新、背景估计和前景分割三个方面改进传统的混合高斯模型,提出一种有效的行人检测万法.首先,利用基于图像分割的参数更新模型,减少将静止前景判定为背景的可能性;其次,采用前景融合时间调整机制,控制前景融入背景的时间;最后,引入均值权值的概念,优化前景分割的条件.试验结果表明,改进的算法优于传...     

Adaptive learning rate GMM for moving object detection in outdoor surveillance for sudden illumination changes

A dynamic learning rate Gaussian mixture model (GMM) algorithm is proposed to deal with the problem of slow adaption of GMM in the case of moving object detection in the outdoor surveillance, especially in the presence of sudden illumination changes. The GMM is mostly used for detecting objects in complex scenes for intelligent monitoring systems. To solve this problem, a mixture Gaussian model has been built for each pixel in the video frame, and according to the scene change from the frame difference, the learning rate of GMM can be dynamically adjusted. The experiments show that the proposed method gives good results with an adaptive GMM learning rate when we compare it with GMM method with a fixed learning rate. The method was tested on a certain dataset, and tests in the case of sudden natural light changes show that our method has a better accuracy and lower false alarm rate.     

一种基于相似运动模式的群体分割方法

由于内部复杂性、多样性等因素存在,复杂场景下基于相似运动模式的群体分割一直是计算机视觉领域中的难点问题。为了提高群体分割结果的准确性,本文将高精度变分光流模型与基于拉格朗日流体动力学的脉线模型相结合,提出了一种高精度的群体分割算法。该算法首先采用各向异性扩散模型对原始视频帧进行平滑,保证了去噪图像的重要结构信息;接着将高精度的变分光流模型与脉线模型结合,得到抗干扰能力较强、精度较高的脉线（streakline）和脉线流;然后根据脉线和脉线流的相似性采用分水岭算法对群体进行分割;最后通过对多组视频序列进行试验对比分析,验证了该方法的有效性和准确性。     

基于行为一致性的密集场景人群分群检测算法

针对公共场所无序运动人群密集场景,提出了一种无监督的自动人群分群检测算法。在由高斯混合模型背景去除法得到的前景区域提取KLT特征点,通过分析特征点的运动特性,对邻域特征点采用速度方向过滤算子和运动相关性过滤算子进行逐级过滤;对非邻域特征点采用运动轨迹相似性过滤算子进行过滤,遍历所有特征点,以实现人群的分群检测。该算法不需要对单个行人进行分割及样本训练,也不需要任何先验信息,且在邻域特征点划分过程中,邻域的特征点数能根据相邻距离特征点的最短距离进行自动调节。采用具有不同运动模式的密集场景视频对所提出的算法进行了试验,结果验证了算法的有效性、可靠性和优越性。     

相机运动条件下的视频前景提取

提出一种基于非参数化运动估计和图像配准的方法来进行相机运动条件下的前景提取.通过对视频帧和接近的训练背景图像进行非参数化运动估计,动态地构造出一幅和视频帧的视角完全相同的背景图像, 再通过背景减除提取前景. 为了解决运动估计的计算效率问题, 又提出一种基于流形的改进算法: 在离线阶段, 预先对训练背景图像进行非参数化运动估计, 并利用流形学习对训练背景图像进行建模; 在在线阶段, 通过在背景流形上进行运动插值来快速地估计新视频帧和训练背景图像之间的运动. 实验表明,改进的方法在基本保持像素提取准确率的同时获得了很高的效率．     

基于混沌动力学模型的群体目标检测与分类

传统目标跟踪检测方法对多目标情况处理已较为困难,对群体目标监测和跟踪更是难以解决的问题。因此考虑在拉格朗日混沌动力学基础上实现对视频群体流的分割以及相关检测。把群体运动系统作为混沌动力学系统处理,而群体目标则作为流动的粒子群处理,粒子的流动以流图(flow map, FM)进行跟踪。在此基础上可以获得有限时间李亚普诺夫指数(finite time Lyapunov exponent, FTLE)场,形态学处理后,对群体流动区域进行提取并对结果分类。实验结果验证了该方法的有效性。     

基于目标形态特征的工件自动分割方法

为了使交互式工件分割算法满足实时性的要求,提出了一种将工件形态特征与图像分割算法相结合的工件自动分割方法.利用MeanShift算法分割图像提取目标区域;利用形态学开运算消除目标区域的噪声,进而分离相连的目标区域;对目标区域进行边缘检测,计算完整的工件轮廓信息,然后根据外轮廓的面积确定工件区域;利用工件区域的最小外接矩形在图像中标出前景和背景区域,再利用GrabCut算法分别对前景和背景建立高斯混合模型,然后通过mincut/maxflow算法分割前景与背景区域,最终实现工件目标的提取.实验结果表明,对于制造商提供的样本,该方法分割工件的召回率和准确率分别为94.97%和88.48%,具有较强的实用性和良好的实时性.     

集成多特征的GMM视频分割方法

视频分割是当前研究的热点问题．已有视频分割方法,只是考虑帧图像某点颜色特征,而没有考虑物体相邻像素相关性问题．提出了在基于GMM背景建模的基础上,同时引入像素点的邻域特征和像素点的色度和亮度特征对视频进行分割的方法．像素点的邻域特征能很好的解决因背景的微小变化而使分割效果较差的问题,色度和亮度特征很好的解决光照变化和阴影带来的问题．该方法先建立每个像素点的混合高斯模型,训练确定模型的相关参数,再结合像素点的领域特征,色度和亮度特征对视频进行分割．试验结果表明,该方法与其他方法相比在一定程度上改善了视频分割效果．