一种改进的自适应高斯混合模型实时运动目标检测算法

高斯混合模型被广泛应用于摄像机静止条件下运动目标检测的背景建模。针对传统高斯混合模型中对光照变化适应性差及学习率单一等问题, 提出了一种光照变化检测及学习率更新的方法, 以达到自适应更新背景模型的目的。提出利用颜色直方图匹配算法, 通过引入光照变化因子以及模型参数更新计数器对学习率进行自适应的调整, 并通过对描述模型分量个数的自适应选择减少了计算时间, 增强了系统的实时性。实验结果表明, 该方法能快速有效地适应场景的变化, 比传统高斯混合模型具有更好的鲁棒性与稳定性。     

基于自适应学习率的背景建模方法

针对高斯混合模型中均值和方差的学习,提出基于自适应学习率的背景建模方法。统计每个像素模型被匹配的次数,在线更新学习率。在初始化背景时,分配一个全局的学习率,采用传统高斯混合模型的学习方式;在更新背景时,为每个像素分配一个学习率,采用自适应的学习方式。实验结果表明,该方法与传统高斯混合背景模型相比,有较好的学习能力与稳定性,能提高运动目标检测的正确率。     

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。     

改进的基于高斯混合模型的运动目标检测方法

针对固定摄像机的视频监控系统,提出了一种改进的基于混合高斯模型的运动目标检测方法。在模型学习方面,均值与方差采用了不同的学习率,其中均值更新采用自适应的学习率,方差的学习率取固定值;引入权值均值概念,然后结合权值进行像素点的前景和背景分类;利用了背景图像消除阴影。实验结果表明,改进的方法与传统方法相比具有更好的学习能力,能提高在繁忙场景中,大而慢的运动目标检测的正确率。     

基于帧差分块的混合高斯背景模型

针对混合高斯背景模型计算量过大、对复杂场景的适应能力较差等问题,提出了一种基于帧差分块和自适应学习率的混合高斯背景模型改进算法。引入分块模型思想,有效结合了像素的空域信息;根据帧间差分结果,判断可疑前景区域和背景区域,提高了检测灵敏度;针对前景可疑区域采用复杂模型,保证运动目标检测的精度,反之采用简单模型降低计算量;通过自适应学习率,加速背景的形成与消退。实验结果证明该算法较好地兼顾了检测精度和计算代价。     

混合高斯模型结合五帧差分的运动目标检测

在复杂背景下,光照变化、目标短暂遮挡以及背景运动等因素会导致运动目标检测精度较低.提出一种结合改进混合高斯模型和改进五帧差分的运动目标检测算法,首先在混合高斯模型中加入自适应学习率以及背景学习速率更新策略有效解决传统背景更新速率恒定而出现的残影现象;然后利用改进的五帧差分法克服运动目标短暂遮挡问题,并加入光照阈值判别因素,有效减弱光照变化带来的影响;最后对两者结果进行或运算进而得到最终检测结果.实验结果表明,该融合算法在复杂环境下具有一定的抗干扰能力,运动目标检测精度较高.     

基于改进的高斯混合模型的运动目标检测

运动目标检测是实现目标跟踪、视频监控的基础.针对基于高斯混合模型的运动目标检测算法的不足,提出了一种基于分块思想和高斯模型个数自适应的改进高斯混合算法.利用对视频图像分块的思想,在提高目标检测效率的同时,实现对视频的滤波处理;并利用高斯混合模型中高斯分布个数自适应操作来降低算法复杂度,提高运动目标检测的速度.实验结果表明:该算法比传统高斯混合模型运动目标检测算法具有更快的检测速度和更好的检测效果,并降低了检测噪声,能有效地检测运动目标,适用于运动目标的实时检测.     

自适应的SILTP算法在运动车辆检测中的研究

为了提高复杂背景下运动车辆的检测效率,结合SILTP算法提出了一种自适应的SILTP算法。首先,对运动车辆图像进行二维离散小波变换,提取出两次低通滤波后的图像。其次 ,通过自适应的SILTP算法获得图像的纹理信息。然后,利用高斯混合模型进行背景建模,进而利用新图像的纹理信息动态更新背景。最后,与背景模型进行比较来获得运动车辆。对公路上运动车辆的测试表明,该检测算法在复杂背景尤其是树叶抖动等情况下能够取得较高的检测率,具有良好的自适应性。     

基于改进的混合高斯模型的运动目标提取

背景提取技术是图像与视频处理中的关键技术.文中对静态背景下运动目标的提取算法进行了研究.混合高斯算法在近年得到了广泛的关注,但是算法使用固定个数的分布建模,在实际中不能满足最优模型,并且模型对学习率的调整比较敏感.文中提出改进的自适应算法提取前景运动目标,其中主要针对模型中的混合高斯分布的个数及学习判别准则进行了改进.实验证明,该改进算法相比传统算法有着较好的自适应性并且检测效率较高.     

改进的基于混合高斯模型的运动目标检测算法

针对传统混合高斯模型检测运动目标中存在的不足,提出了一种改进的基于混合高斯模型的运动目标检测算法。将改进的混合高斯模型与四帧差分相结合,有效地解决了突变光照的影响并消除了传统帧差法检测目标时容易出现的双影现象,改进的混合高斯模型自适应地调整了高斯模型的分布数量,提高了背景的描述精度。分情况讨论了物体的运动状态并分别设置不同的学习率,改善了对运动缓慢目标的检测效果。实验结果表明结合后的算法能对运动目标进行准确检测,对复杂场景有较好的适应性。     

自适应混合高斯建模的高效运动目标检测

目的 如何使快速性与完整性达到平衡是运动目标检测的关键问题。现有的满足快速性的算法容易受到光照的影响，对动态环境的适应能力较弱，获取的目标信息不完整，导致空洞问题的产生。而具有较高完整性的算法复杂度高，运算速度慢，实时性差。为此，本文提出基于自适应混合高斯建模的3帧差分算法。方法 利用3帧差分运算简单、可扩展性强、抗干扰能力好的特性，对视频图像进行目标轮廓的提取。针对3帧差分运算导致目标内部信息提取不完整的问题，采用学习率自适应调整的混合高斯背景差分，在模型创建之初，通过较快的模型更新速率，增加背景模型的迭代次数，消除物体运动造成的"鬼影"。在背景模型中的干扰信息消除之后，以目标像素及相邻8像素在当前帧与背景模型中的差异度为依据调整学习率，实现背景模型的自适应修正，增加目标图像的完整性；同时，通过删除冗余的高斯分布，降低算法复杂度。为进一步确保目标边缘的完整及连续，采用边缘对比差分算法，使参与运算的帧数依据目标的运动速度自适应选取，以降低背景点的误判率，使边缘信息尽可能地连续、完整。结果 本文算法获取的目标信息完整，且边缘平滑。在提升检测率的同时保证较高的准确率，达到了95.23%，所获目标的完整度提高了28.95%；与传统混合高斯算法相比，时间消耗降低了29.18%，基本达到实时性要求。与基于混合高斯建模的背景差分法（BD-GMM）和基于边缘对比的3帧差分法（TFD-EC）相比，本文算法明显占优。结论 实验结果表明，本文算法可以有效抑制动态环境的干扰，降低算法复杂度，既保证实时性，又具有较好的完整性，可广泛应用于智能视频监控、军事应用、工业检测、航空航天等领域。     

混合高斯模型的自适应前景提取

复杂场景下的运动前景提取是计算机视觉研究领域的研究重点。为解决复杂场景中的前景目标提取问题,本文提出一种应用于复杂变化场景中的基于混合高斯模型的自适应前景提取方法。本方法可以对视频帧中每个像素的高斯分布数进行动态控制,并且通过在线EM算法对高斯分布的各参数进行学习,此外每个像素的权值更新速率可根据策略进行调整。实验结果表明本方法对复杂变化场景具有较好的适应性,可有效、快速地提取前景目标,提取结果具有较好的查准率和查全率。     

适应场景光照变化的运动目标检测算法

背景减除法是运动目标检测的常用方法,其性能取决于所使用的背景模型。文中针对混合高斯模型不能应对光线突变的问题,提出了一种改进的背景模型。首先选择了新的模型参数,并对模型的更新机制进行了改进,使用了固定的学习率且对方差的更新加入了自适应的更新因子,使其可以适应局部的快速光照变化;其次对模型加入了帧间处理使其可以适应全局的快速光照变化。实验表明,改进的方法能适应各种条件下的光照变化,提高了运动目标检测的精确度。     

基于自适应阈值的运动目标检测方法

针对混合高斯背景减除法在运动目标检测应用中存在的不足,进行了以下两个方面的改进：第一,通过在混合高斯模型匹配中引入自适应匹配阈值的方法,解决由噪声或光照引起的误判问题;第二,在模型学习方面,采用不同的权重学习速率以检测静态背景区域,并提高模型的自适应性。实验结果表明,与传统的混合高斯模型的运动目标检测方法相比,改进后的方法在背景误判、场景适应性方面都有所改善。     

深度自编码与自更新稀疏组合的异常事件检测算法

基于深度学习的异常检测算法输入通常为视频帧或光流图像,检测精度和速度较低。针对上述问题,提出了一种以运动前景块为中心的卷积自动编码器和自更新稀疏组合学习(convolutional auto-encoders and self-updating sparse combination learning, CASSC)算法。首先,采用自适应混合高斯模型(gaussian mixture model, GMM)提取视频前景,并以滑动窗口的方式根据前景像素点占比过滤噪声;其次,构建3个卷积自动编码器提取运动前景块的时空特征;最后,使用自更新稀疏组合学习对特征进行重构,依据重构误差进行异常判断。实验结果表明,与现有算法相比,该方法不仅有效地提高了异常事件检测的准确性,且可以满足实时检测需求。     

基于目标跟踪与深度学习的视频火焰识别方法

近年来火灾事故频发,对生态环境,社会经济都造成了严重影响,视频监控系统在火灾预防和环境监控中都有非常重要的作用。针对传统的视频火焰检测方法需要手工提取火焰特征且识别率低、误检率高的缺点,提出了一种基于特征检测,多目标跟踪和深度学习的火焰检测算法。通过高斯混合模型运动检测方法对视频中的动态目标进行提取,再经过HSI与RGB结合的颜色模型进行筛选,得到疑似火焰目标,对提取的目标进行多目标跟踪算法跟踪,最终对稳定存在的目标通过CaffeNet模型进行判别,得到火焰判别结果。实验证明,本算法实现了对视频火焰的准确检测,能对火焰进行有效识别,对火焰视频数据集上的平均识别精度达到98.79%,并能适应实时检测火灾的需求。     

Parameter estimation of Poisson mixture with automated model selection through BYY harmony learning

Finite mixture is widely used in the fields of information processing and data analysis. However, its model selection, i.e., the selection of components in the mixture for a given sample data set, has been still a rather difficult task. Recently, the Bayesian Ying-Yang (BYY) harmony learning has provided a new approach to the Gaussian mixture modeling with a favorite feature that model selection can be made automatically during parameter learning. In this paper, based on the same BYY harmony learning framework for finite mixture, we propose an adaptive gradient BYY learning algorithm for Poisson mixture with automated model selection. It is demonstrated well by the simulation experiments that this adaptive gradient BYY learning algorithm can automatically determine the number of actual Poisson components for a sample data set, with a good estimation of the parameters in the original or true mixture where the components are separated in a certain degree. Moreover, the adaptive gradient BYY learning algorithm is successfully applied to texture classification.     

基于混合高斯运动检测模型与多特征的烟雾识别算法

为了有效克服复杂环境下动态、静态疑似烟雾物体的干扰,实现对烟雾的实时准确检测,提出基于混合高斯运动检测模型与多特征分析的烟雾识别算法。首先应用优化的混合高斯运动分析模型对视频图像序列进行运动区域提取,然后依据烟雾的颜色特性、形状不规则性及面积扩散特点,对提取的疑似烟雾运动区域进行分析与筛选,从而判定出其是否为烟雾。实验结果表明:该算法可实时提取视频中的烟雾区域,并有效剔除疑似烟雾区域的干扰,具有良好的烟雾识别能力。