基于高斯混合模型的空间域背景分离法及阴影消除法

运动检测和背景分离技术是智能视频监控系统中的一项关键技术。由于目前广泛使用的高斯混合模型背景分离法是在像素域的时间尺度上对像素进行分类,因此常常造成误判,且无法解决阴影问题。为解决此问题,提出了一种空间域上的背景分离法。该方法首先将像素检测从像素域拓展至空间域的局部窗口内;然后在得到前景点集后,再将此空间域检测思想结合像素亮度特征运用到阴影消除中;最后,对经典模型的部分参数估计方法进行了修改。相关的实验结果证明,该方法可用于提高背景分离的检测精度和实现运动物体阴影消除。     

基于多特征融合的运动阴影去除算法

对视频监控中的运动阴影问题进行了研究,提出一种颜色特征、归一化向量距离、亮度比值相融合的阴影去除方法。首先,通过混合高斯模型建立背景图像,利用背景差分法分离运动区域。然后,采用串行处理方法检测运动区域中的阴影像素。在RGB颜色空间下根据颜色一致性特征消除阴影之后,根据运动区域的归一化向量距离分布直方图进一步检测阴影像素。最后,针对阴影检测过程中存在的误检问题,建立像素的光照模型,计算阴影像素与背景像素的亮度比值,并根据置信区间排除误检的前景像素。实验结果表明,该方法能够克服单特征方法的局限性,在多个真实场景下能有效检测与去除阴影,适应性强,鲁棒性好,处理时间适中。     

基于分层码本模型的阴影消除方法

为了解决复杂环境,特别是背景改变带来的背景模型变化,对运动目标的阴影检测与消除效果产生影响的问题,给出一种在YCb Cr颜色空间下基于分层码本模型的阴影消除方法。目标检测时采用分层建模与检测技术检测出运动区域并更新背景模型,从永久背景模型中提取背景图像并采用基于色度的阴影检测方法消除阴影,避免在阴影检测与消除中使用固定背景的问题。在公开测试集上的实验结果表明,该方法能有效地适应背景的动态变化,对复杂环境中的前景目标检测与阴影消除有很好的效果。     

基于视频图像的运动目标检测和阴影去除

智能视觉监控系统应用潜力巨大,其中的运动目标检测和阴影去除还有很多问题需要解决。采用基于混合高斯模型背景分离法进行运动目标检测,采用基于统计非参数化理论的方法对目标阴影进行去除。实验结果表明,这种方法可以有效地检测出运动目标和消除阴影。     

联合两种颜色空间的阴影检测算法

在视频监控的运动检测中,由于光照、风吹等影响,运动阴影常常被误认为运动对象。为了有效解决动态背景下运动目标中存在的阴影问题,提出了一种归一化的RGB颜色空间和HSV颜色空间相结合的阴影消除方法。该方法首先在归一化RGB颜色空间下用背景减除法得到运动目标,然后在HSV空间下对阴影进行检测和消除,从而得到真实运动目标。实验结果证实：该方法在运动目标检测及跟踪方面取得了较好的效果,对动态背景的视频,能准确、实时地检测出阴影并进行消除。     

一种基于统计模型的前景阴影消除算法

视频图像中存在的阴影是影响运动目标检测效果的关键因素之一,对阴影进行检测和消除已成为运动检测中的重要研究内容.针对阴影消除问题,本文采用直方图统计方法,将阴影特征引入到传统混合高斯模型中,基于统计特征建立阴影高斯模型;在模型基础上,提出一种新的前景阴影消除算法,将前景像素与阴影模型进行匹配,实现阴影的判定和消除.与同类算法的对比分析表明:本文算法对于不同场景下的阴影消除是准确且实时的,在阴影检测率和阴影区分度上均有显著提升.     

基于背景重构和阴影消除的运动目标分割

背景差分法是一种重要的运动目标分割方法,但是其不仅对背景质量的要求较高,且易将运动阴影误检测为前景目标.针对上述问题,提出了一种用于智能交通系统的新的运动目标分割方法.该方法首先在RGB空间对像素灰度归类法进行了改进,并用其提取了背景图像,同时结合选择更新和背景调整来实时更新背景;然后对背景差分图像的RGB灰度之和,通过设定阈值来提取运动区域;最后对提取的目标阴影混合区在HSV空间,分别进行自上向下、自左向右及其反方向的色调、亮度及边界交叉点判别,以实现阴影检测和消除.实验结果表明,该新方法能获得高质量的重构背景,并能消除阴影(尤其是暗色目标的阴影),因此可提高目标的分割质量.     

基于统计背景模型的运动目标检测方法

运动目标检测是计算机视觉、视频处理等应用领域的重要研究内容。其中减背景技术是一种常用方法。在减背景方法中，背景模型的提取、更新、背景扰动、外界光照条件变化、阴影检测等是必须要考虑的问题。提出了一种有效的运动目标检测方法，较好地解决了以上问题，首先利用统计的方法得到背景模型，并实时地对背景模型更新．以适应光线变化和场景本身的变化，用形态学方法和检测连通域面积进行后处理，消除噪声和背景扰动带来的影响，在HSV色度空间下检测阴影，得到准确的运动目标。实验结果表明，该方法是快速有效的。     

视频图像中的运动目标检测

视频图像中的运动目标检测是计算机视觉领域的重要研究内容。文章提出了一种基于背景差分的运动目标检测算法，采用高斯模型描述每一被观察的像素，建立自适应背景模型，运动检测后对图像进行阴影检测和噪声去除，消除背景扰动、阴影等带来的影响。实验结果表明该方法是有效的。     

基于视频图像的运动目标阴影去除方法

针对运动目标检测中阴影的存在会导致目标形状扭曲、多个目标之间出现粘连等问题,提出一种基于视频图像的阴影去除方法。该方法在分析阴影产生机理的基础上,根据各像素点YUV空间上的像素模型,计算出带有阴影的目标相对于背景的失真系数,再根据设定的阈值区分出目标的实际轮廓和阴影区域,从而将目标阴影去除。实验结果表明,该方法能够快速检测和去除目标阴影,准确反映出目标的实际轮廓,并能够有效解决目标粘连问题。     

改进基于HSV空间的阴影检测算法

为实现复杂视频中前景目标的分割,需要解决前景目标准确提取难题,但在光照情况下,会受到阴影影响。为解决这一难题,提出一种结合高斯混合模型的HSV颜色空间阴影检测算法。对HSV颜色空间阴影检测进行修正,消除对非运动目标区域阴影的误检,加入运动目标轮廓检测,消除运动目标边缘阴影误检,得到运动目标阴影的准确检测。实验结果表明,该算法能有效检测复杂背景下的阴影目标,为获得准确分割前景目标奠定基础。     

HSV自适应混合高斯模型的运动目标检测

在目前的计算机视觉应用中,从视频序列中提取出运动目标是一个研究热点。针对传统方法在复杂多变环境下不能很好地检测出运动目标且运算量较大的问题,根据HSV颜色空间的特点,提出了一种基于HSV颜色空间的自适应混合高斯背景建模和阴影消除的方法。首先,在传统的混合高斯背景建模的基础上,引入了一种新的混合高斯模型高斯成分个数的自适应选择策略以提高建模的效率。其次,根据阴影在HSV向量空间的特点,融入了一种新的阴影消除方法,以检测出带阴影的运动目标。该方法能够快速准确地建立背景模型,准确分割前景目标。与传统的阴影消除方法相比,该方法可以在不需要设置阂值的情况下,对运动目标的阴影进行很好的消除,有很好的鲁棒性和实用性。     

视频监控系统中阴影去除方法的研究

提出了一种基于颜色不变性和建立阴影高斯模型的阴影检测和消除的方法。首先对亮度小于背景的前景根据颜色特征的相近性进行划分,再利用阴影的光谱特性建立高斯模型,去除运动目标的投影。最后利用阴影的空间特性对图像进行后处理,完成阴影的检测与消除。实验结果表明,该方法能够有效地检测和消除阴影。     

一种基于三层圆柱体码本模型的前景检测算法

针对经典码本模型算法无法消除运动目标阴影和码本模型参数难以调节的问题,提出一种在YUV空间下的三层圆柱体码本模型算法。该算法根据运动阴影与背景相比色度相同亮度偏低的特点,在模型底部构建了阴影背景模型;根据光照变化的特点,在模型顶部构建高亮背景模型;并对亮度分量进行高斯建模,用以调节码本模型参数。实验结果表明:采用该模型和参数调节方法能较好的去除阴影和适应光照的变化,而且较好的检测精度和鲁棒性,适用于复杂环境下的前景检测。     

交通场景中车辆的运动检测与阴影消除

提出一种算法框架实现对交通场景中运动车辆的分割。首先,提出一种基于颜色空间的浮动气球模型,用以解决监控场景的自适应背景建模问题,该方法解决了基于参数模型的背景建模方法无法检测驻留物体的问题,并可有效适应监控场景中的光照变化以实现自适应更新;其次,针对通过背景建模和背景差分得到的运动前景区域包含运动车辆阴影问题,提出一种新的阴影检测算法,该算法采用多特征融合的方法实现了对运动车辆的分割。实验结果分析表明,与其他方法相比,该算法框架在背景建模和阴影检测方法具有较好的效果。     

动态阈值的Vibe运动目标检测

Vibe算法是一种高效的像素级背景建模算法,但是它同混合高斯模型一样,不能适应光线突变的问题,在对Vibe算法的基础上提出了一种在静态场景下对光照变化鲁棒的运动目标检测方法。该方法首先利用Vibe模型建立背景样本集,并利用Vibe模型对判别为背景的像素对背景帧进行更新。其次视频当前图像帧与背景帧差分,并采用Otsu算法计算图像的分割阈值来检测运动目标。实验结果表明,改进的方法能够很好地消除由于环境光照变化引起的“曝光”现象,提高了运动目标检测的精确度,并且改进的算法对室内场景下的阴影也有较好的抑制作用。     

基于新的阈值化方法的背景减法改进

首先将一种新的基于颜色空间模型的阈值化方法用于背景减法中. 该阈值化方法利用每个像素的颜色畸变和亮度畸变检测出场景中所有的运动, 其中像素的颜色畸变检测考虑了颜色向量所处的空间位置; 同时该阈值化方法在一定程度上抑制了运动阴影的影响. 其次, 将一种双阈值化方法用于背景减法中, 实现了复杂场景下前景目标的提取. 通过VSSN 05和PETS 2006测试视频的实验, 验证了本文提出算法的有效性.     

基于混合高斯模型的运动阴影抑制算法

复杂场景的背景建模、运动目标检测、运动目标所投射阴影的检测与抑制在智能监控、机器人视觉、视频会议等领域有着广泛的应用。在运动前景检测阶段,给出了一种改进的混合高斯算法进行场景的背景建模,根据各点像素值出现的混乱程度采取不同的高斯函数参数更新机制,缓解了混合高斯算法计算量大的问题。在运动目标的阴影检测与抑制中,提出了一种基于混合高斯的阴影抑制算法,该算法先利用阴影在HSV颜色空间的特点,判断被检测为运动前景的像素是否为疑似阴影,然后用混合高斯阴影模型对所有疑似阴影值进行聚类,进一步完成阴影抑制。仿真结果表明：该算法可更有效地抑制阴影对运动目标检测的影响,并具有较强的实时性。     

基于ViBe的室外动态背景闪烁像素噪声消除方法

针对使用视觉背景提取(ViBe)模型在室外动态背景下进行移动目标检测时存在不规则闪烁像素点对前景检测结果造成干扰的问题,提出一种基于视觉背景提取算法的闪烁像素噪声消除方法。在背景模型建立阶段设定背景模型样本标准差阈值,约束背景模型的采样值范围以提高背景模型准确性。在前景检测阶段引入自适应检测阈值提高前景物体检测精度,在背景模型更新过程中对图像边缘背景像素点进行边缘抑制以阻止错误背景样本值更新到背景模型。在此基础上,结合形态学操作修复连通域,提高前景图像的完整性。最后选取多个视频序列将该方法与原始ViBe算法、形态学改进方法的检测结果进行对比。实验结果表明,该方法能有效消除闪烁像素噪声对前景检测造成的影响,获取更精确的前景图像。     

融合像素时空信息的背景建模方法

现有的背景建模方法通常只利用像素的时间或空间信息进行建模,降低了运动目标检测的准确性,针对这一问题提出一种融合像素时空信息的背景建模方法.分别在视频图像序列的时间、空间维度上对像素灰度值进行采样,建立像素的时间和空间背景模型;在检测运动目标的过程中对时间背景模型采用“先进先出”的更新策略,对空间背景模型采用随机的更新策略.实验结果表明,时空背景建模能有效地检测出运动目标,有效减少光线变化和摄像机抖动对检测结果的影响,较好抑制动态背景的干扰.