基于层次信息综合的复杂场景背景模型

针对复杂交通场景中背景提取和更新的前景目标密度大、走走停停和照明强度突变难题,提出基于层次信息综合(LISM)的自适应背景模型.首先对像素建模,通过分析稳定状态判别参考背景;然后提出方向不变局部二值模式(RELBP),用其分析参考背景区域的纹理特征,再通过纹理聚类获取背景并更新模型参数;最后处理帧级的场景整体变化,用改进的直方图修正(HM)算法解决光照突变引起的背景失效.实验表明,本文提出的算法比已有方法能更好地适应复杂交通场景.     

基于混合高斯模型与核密度估计的目标检测

背景建模与目标检测是视频跟踪的重要步骤和基础,非参数核密度估计与混合高斯模型是背景建模与目标检测的经典方法。文中首先介绍了高斯模型与核密度估计的基本原理及各自的优缺点,然后提出了一种核密度-混合高斯模型级联算法,利用核密度估计快速分割前景与背景区域,再由混合高斯模型对于无法精确建模的区域进行二次判定,有效综合了二者各自的优点。仿真结果表明,该算法具有良好的实时性和鲁棒性。     

基于均值漂移的背景建模方法

介绍了一种从包含复杂运动场景的图像序列中获取理想背景模型的有效方法。通过分析背景建模的若干影响因素为理想背景构建模型。使用非参数化的均值漂移算法寻找背景图像像素值分布最为集中的区域,并且实现背景模型的不断更新。实验结果表明,该方法较传统背景生成算法具有较强的鲁棒性,能够有效实现在复杂场景下的背景建模和目标检测。     

基于多层背景模型的运动目标检测

复杂背景下的运动目标检测一直是计算机视觉领域中一个具有挑战性的问题,本文提出一种基于多层背景模型的运动目标检测算法.该算法首先从视频序列的第一帧中提取每个像素的邻域样本,用于初始化背景模型,只需一帧图像即可完成背景模型的初始化;其次,为实现背景模型的自适应更新,引入随机采样技术,随机选取一个不匹配的码字,采用新的背景像素取而代之,避免错误分类的码字长时间驻留在背景模型中;为处理动态场景中多种干扰因素的影响,提出了多层背景模型策略,每个像素经过多层背景模型的逐层验证,保证了背景模型的精确性.实验结果表明,该算法能够有效克服复杂背景下的多种干扰因素影响,且检测率和识别率均高于现有经典算法.     

基于时间窗的自适应核密度估计运动检测方法

在对非参数核密度估计算法改进的基础上,针对远程视频监控中存在前景检测不够精确、实时性低等问题,提出了用于自适应背景更新的基于像素时间信息窗的核密度估计(TIW-KDE)算法,该算法充分利用时间轴上的前景帧的信息,自适应地将背景划分为动态背景区域和非动态背景区域,对动态背景区域用改进的非参数核密度估计算法进行更新,对非动态背景区域采用渐进式算法更新,有效解决了非参数核密度估计算法在背景更新时引起的背景污染和计算量大问题。实验结果表明,该算法在提高前景检测精确性的前提下,在处理实时性方面得到很大提高。     

基于局部层次化混合高斯模型的视频序列运动目标检测

在视频分析的过程中,背景建模和运动目标提取是一个非常重要的问题.混合高斯模型是进行背景建模常用的模型之一.但是单纯运用混合高斯模型进行运动目标提取的效果并不是非常理想.本文提出了一种自上而下的局部层次化混合高斯模型,该算法首先确定更新区域,然后在区域中运用分块的混合高斯模型和点像素混合高斯模型进行背景建模和目标提取.实验表明该方法具有较好的处理效果,同时也提高了处理的时间效率.     

一种自适应调整K-r的混合高斯背景建模和目标检测算法

针对非平稳背景下的复杂场景,该文提出一种自适应调整K-r的混合高斯背景建模和目标检测算法。该方法利用混合高斯模型(GMM)学习每个像素在时间域上的分布,构建自适应调整高斯分量K的方法,并针对不同情况,对描述像素的高斯分量数进行增加、删除或合并;在此基础上,模型参数更新式中引入了两个新的参数,能够根据实际情况自适应调整r值,使得背景建模和目标检测能够准确实时地随像素变化而变化,从而减少了运动目标信息的损失,提高了算法的鲁棒性和收敛性。实验表明,该算法在有诸多不确定因素的序列视频中能够迅速响应实际场景的变化,实现自适应背景建模和准确的目标检测。     

一种改进的用于视频监控的混合高斯背景建模法

本文提出一种在RGB彩色空间基于混合高斯建模的背景减算法来进行运动目标检测。鉴于场景变化对光照敏感的特点,根据,R、G、B三个分量计算像素的亮度分量,然后对,R、G、B及亮度分量分别建立高斯模型,对全局图像进行光照控制并实时更新。最后利用阴影覆盖后像素的彩色信息和区域的弱边缘特征对提取出的候选前景进行筛选,最后经过后处理用形态学运算准确提取出运动区域,实验效果良好。     

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。     

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。     

Unsupervised foreground segmentation using background elimination and graph cut techniques

A simple and unsupervised approach to segmenting foreground regions is proposed. This is a novel method for extracting foreground regions from still images by background elimination and graph cut techniques. To extract foreground regions effectively, a new method of background elimination is proposed to detect candidate object regions and a graph cut is used to extract exact foregrounds from the candidate object regions. Experimental results have shown that the proposed method achieves better performance of foreground extraction than existing methods under various environments containing multiple objects and clutter backgrounds in natural images.     

基于改进混合高斯建模和短时稳定度的遗留物检测算法

传统遗留物检测算法存在算法过于复杂和环境适应性差的局限。本文将改进的混合高斯建模方法应用于遗留物检测,利用背景匹配失败时生成的前景模型进行前景匹配并引入短时稳定度指标,在深入挖掘前景模型中包含的遗留物信息和像素点级目标状态信息的基础上对遗留物进行综合判断。文中详细分析了传统方法的性能局限并阐述了新方法中前景模型和短时稳定度的作用原理同时给出了具体的算法流程。多场景下的实验分析表明,增加对前景模型的考察使算法在保留传统方法优点的同时具备了良好的遗留物检测能力,而短时稳定度的引入则能够进一步降低传统方法中前景模型向背景模型转换的风险。对比实验结果中本文方法在表现出良好环境适应性的同时误检团块数明显低于其他方法,算法在复杂背景条件下达到了良好的检测性能。      

Region-level motion-based background modeling and subtraction using MRFs.

This paper presents a new approach to automatic segmentation of foreground objects from an image sequence by integrating techniques of background subtraction and motion-based foreground segmentation. First, a region-based motion segmentation algorithm is proposed to obtain a set of motion-coherence regions and the correspondence among regions at different time instants. Next, we formulate the classification problem as a graph labeling over a region adjacency graph based on Markov random fields (MRFs) statistical framework. A background model representing the background scene is built and then is used to model a likelihood energy. Besides the background model, a temporal coherence is also maintained by modeling it as the prior energy. On the other hand, color distributions of two neighboring regions are taken into consideration to impose spatial coherence. Then, the a priori energy of MRFs takes both spatial and temporal coherence into account to maintain the continuity of our segmentation. Finally, a labeling is obtained by maximizing the a posteriori energy of the MRFs. Under such formulation, we integrate two different kinds of techniques in an elegant way to make the foreground detection more accurate. Experimental results for several video sequences are provided to demonstrate the effectiveness of the proposed approach.     

一种改进的自适应背景建模视频分割方法

针对传统的自适应背景建模难以解决背景复杂以及外界光照变化等因素影响视频分割质量的问题,提出了一种改进的自适应背景建模视频分割方法。该方法首先对彩色图像建立高斯背景模型,然后对背景模型进行更新,最后通过对高斯分布准则进行改进使前景目标分割性能得到提高。仿真实验表明,该方法能够准确建立背景模型,准确分割前景目标,较传统算法具有更强的鲁棒性。     

基于改进GMM和多特征融合的视频火焰检测算法

针对现有视频图像火焰检测算法前景提取不完整、准确率低和误检率高等问题,提出一种基于改进混合高斯模型(GMM)和多特征融合的视频火焰检测算法。首先针对背景建模,提出了自适应高斯分布数和学习率的改进GMM方法,以提高前景提取效果和算法实时性;然后利用火焰颜色特征筛选出疑似火焰区域,再通过融合改进局部二值模式纹理和边缘相似度特征用于火焰检测。基于支持向量机设计火焰融合特征分类器并进行对比实验,在公开数据集上的实验结果表明,所提算法有效提高了背景建模效果,火焰检测准确率可达到92.26%,误检率低至2.43%。     

基于统计的灰度视频自适应背景建模算法

针对灰度视频的目标检测依赖先验知识、召回率低以及单一算法无法同时兼顾静态与动态背景等问题,提出一种基于统计的背景建模算法。该算法无需先验知识,根据统计信息可以准确区分静态背景和动态背景,并采取不同的检测策略提取目标。对于静态背景,采用改进的三帧差分法自适应设置阈值,可以保证较高的召回率。对于动态背景,采用改进的概率密度估计法可以有效降低虚警率。采用所提算法对光照变化以及阴影进行处理,可以进一步提升算法的性能。在公开数据集与实际采集红外数据进行验证实验。实验结果表明,所提算法在多种场景中处理灰度视频的结果比其他传统算法好,在保证准确率的同时可以极大地提升召回率,并且有效提高目标的完整性。     

基于深度学习的复杂背景图像分类方法研究

复杂背景图像受背景干扰后不易被识别。针对这一问题,文中提出了基于前景分割机制的卷积神经网络图像分类方法。采用全卷积神经网络对图像前景区域进行自动分割,通过图像中前景区域周围的最小边界框对其进行定位。对于定位的前景区域,构建卷积神经网络对其进行处理以区分不同的类别,从而实现复杂背景图像的分类。将提出方法在公开数据集中提取的单一背景和复杂背景图像数据集上进行对比实验,并使用迁移学习与数据增强等方法优化模型。实验结果表明,所提方法使用前景区域分割相比于仅分类CNN具有更高的准确度,且复杂背景图像上的准确度提升幅度要远大于单一背景图像。该结果说明引入前景区域分割对于复杂背景图像分类模型准确度的提升具有一定帮助,能够显著前景区域特征并减少背景因素的干扰。     

Video object segmentation in rainy situations based on difference scheme with object structure and color analysis

A scheme based on a difference scheme using object structures and color analysis is proposed for video object segmentation in rainy situations. Since shadows and color reflections on the wet ground pose problems for conventional video object segmentation, the proposed method combines the background construction-based video object segmentation and the foreground extraction-based video object segmentation where pixels in both the foreground and background from a video sequence are separated using histogram-based change detection from which the background can be constructed and detection of the initial moving object masks based on a frame difference mask and a background subtraction mask can be further used to obtain coarse object regions. Shadow regions and color-reflection regions on the wet ground are removed from the initial moving object masks via a diamond window mask and color analysis of the moving object. Finally, the boundary of the moving object is refined using connected component labeling and morphological operations. Experimental results show that the proposed method performs well for video object segmentation in rainy situations.     

基于场景模式的立体图像舒适度客观评价模型

为了预测双目立体图像内容对视觉健康可能产生的危害,该文提出一种基于场景模式的立体图像舒适度客观评价模型。根据场景中前景目标和后景区域相对于显示屏幕的凹凸性以及是否处于舒适观看区,将自然场景抽象为多种场景模式。在模式选择阶段,从视差图中自适应分割出前景目标和后景区域,根据前、后景的视差角特征确定场景所属的模式;在建模阶段,采用前、后景的视差角特征结合前景的宽度角和曲折度特征对各个场景模式分别进行建模,并量化了前、后景视差因素对视觉舒适度的影响。在IVY数据库上的实验结果表明,所提出的模型与主观感知存在较好的一致性,Pearson相关系数高于0.91, Spearman相关系数高于0.90, Kendall相关系数高于0.74,平均绝对值误差低于0.24,均方根误差低于0.32,与现有的方法相比,该文所提出的模型的评价效果更好,更接近于主观测试结果。     

Background subtraction based on circulant matrix

Detecting moving objects in a scene is a fundamental and critical step for many high-level computer vision tasks. However, background subtraction modeling is still an open and challenge problem, particularly in practical scenarios with drastic illumination changes and dynamic backgrounds. In this paper, we present a novel background modeling method focused on dealing with complex environments based on circular shift operator. The background model is constructed by performing circular shifts on the neighborhood of each pixel, which forms a basic region unit. The foreground mask is obtained via two stages. The first stage is to subtract the established background from the current frame to obtain the distance map. The second is to adopt the graph cut on the distance map. In order to adapt to the background changes, the background model is updated with an adaptive update rate. Experimental results on indoor and outdoor videos demonstrate the efficiency of our proposed method.