基于灰度图像的自适应背景模型运动物体检测算法比较研究

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、W4模型、单高斯模型和混合高斯模型等。通过实验，着重从系统的敏感性、实时性和运动对象分割的完整性等方面分析比较了上述方法在检测过程中的优势及不足之处，以期在工程实践中有一定的参考作用。     

基于监控视频中背景重组的运动物体的检测

智能监控视频中,核心技术是运动物体视觉分析。运动物体的检测又是运动物体视觉分析的基础和关键。对于运动物体的检测与跟踪,背景的提取干净与否关系到后续工作的准确性。文中提出了新的背景确立方法,以及在运动物体的检测方面也提出了新的改进方法。实验表明该方法具有一定的有效性,实用性。     

基于码本模型和压缩跟踪算法的遗留物检测

针对一般遗留物检测算法复杂度高和跟踪效果不理想的问题,提出了一种基于码本模型和压缩跟踪算法相结合的遗留物检测方法。首先通过码本模型建模和适时匹配背景更新算法来获取静止目标区域信息;然后利用稀疏测量矩阵对静止目标区域的多尺度特征进行降维,得到分类器的正负样本;最后用朴素贝叶斯分类器对提取的特征进行分类,当分类器响应最优时得到当前帧中跟踪到的目标位置,即使目标被部分遮挡,也能实现对遗留目标的准确跟踪。实验结果表明,该方法不仅简单高效、实时性好,而且可以消除由物体短暂停留而带来的干扰。     

改进的基于码本模型目标检测算法

为克服基于码本模型的目标检测算法在光照变化条件下对检测结果产生的影响,提出了一种融合卡尔曼滤波思想的改进码本算法。该方法在计算图像像素亮度变化时选用了YUV颜色空间,使空间坐标轴与亮度变化方向一致,使亮度变化的计算量平均下降了44.9%。同时在建立码本模型时为每个像素初始化一个卡尔曼滤波器,该滤波器利用前后两帧图像亮度信息预测与修正当前像素值,对光照变化有较好的适应性。仿真实验结果表明,该算法与YUV码本模型、RGB码本模型以及GMM算法相比在亮度变化的条件下对噪声的抑制作用更强,体现出更好的自适应性。     

一种改进的空间运动物体点匹配算法

三维空间中运动物体在不同时刻将处于空间不同位置,物体在空间的运动互相独立。怎样才能得到在两不同时刻空间运动物体的对应关系(Correspondence)以及求出各个物体的运动参数,这就产生了空间运动物体的匹配、识别以及运动参数估算问题。本文提出一种改进的点特征匹配算法。它是基于点匹配来匹配空间运动物体及估算物体运动参数的方法。算法首先在观察点集合中取出一个由四点组成的四面体,再从参考点集合中搜索对应的四面体,根据距离准则与体积准则,求得初始正确的四点匹配;其后每次从剩下的观察点集合中取出一点,在参考点集合中搜索其匹配点,直到观察点集合为空。本算法只需简单的距离及四阶行列式计算,在求得初始四点匹配后,以其为依据,可较精确地估算出物体的运动参数(R,T)。本文同时给出了运行本算法的结果。     

基于图像块码本模型的监控视频背景参考帧生成方法

为解决背景参考帧受前景污染严重，以及传输背景参考帧导致的码率突增等问题，针对背景较稳定的监控视频，提出一种以图像块为基本单元的渐进式背景参考帧生成方法。所提方法建立了基于聚类的图像块码本模型，利用基于感知哈希的码元匹配，将视频序列中处于同一位置的图像块进行聚类；利用背景图像区域特性准确检测背景码元；利用码本模型从不同帧中检测出背景图像块生成完整的背景参考帧。实验结果表明，所提方法编码效率相比标准HM16.20在亮度分量上提升17.89%，有效提升了背景参考帧生成质量，且时间复杂度满足视频实时性需求。     

基于混合高斯背景模型的运动目标检测

运动目标检测是计算机视觉、图像理解、目标跟踪等领域非常重要的研究内容。为了能够及时检测到图像场景中的运动目标,本文选择建立混合高斯背景模型作为检测运动目标的方法,该方法能有效的提取出运动的目标及其携带的运动信息,取得比较好的效果。     

基于改进的单高斯背景模型运动目标检测算法

针对传统单高斯背景模型(SGM)存在的背景模型不能很好地自适应背景变化、目标检测不完整的问题,提出了一种改进的单高斯背景模型运动目标检测算法,该方法结合单高斯背景模型和mean shift原理对运动目标进行检测。取前N帧视频样本的均值作为初始背景模型,对当前帧图像进行运动目标的初检测,根据单高斯背景模型更新原理用当前帧图像对检测为背景的点进行背景模型更新,对更新后的背景模型中不属于背景点的像素点进行mean shift修正,将进行mean shift修正后得到的背景模型作为最终的背景模型,再通过背景差分法最终检测出运动目标。实验表明,改进的算法能很好地克服背景模型不能自适应背景变化的缺点,目标检测完整度比传统的单高斯模型高。     

基于改进混合高斯背景模型的车辆检测算法研究

传统的混合高斯背景模型对光照突变十分敏感,对运动车辆检测效果不理想。为此,本文提出了一种基于改进混合高斯背景模型的车辆检测算法,利用不匹配像素来消除光照突变对背景建模产生的影响。实验结果表明,与传统的混合高斯背景模型算法相比,在光照突变明显的条件下,改进后的算法更能有效检测出运动车辆。     

基于高斯混合背景模型的运动目标检测技术研究

在运动目标检测技术中,使用传统的高斯混合背景模型所得到的检测结果并不能完美地获取运动目标的轮廓信息,而图像中像素的梯度信息,刚好就是反映了各物体的轮廓和边界,并且相对于颜色信息而言,梯度信息对于噪声并不敏感。为此,该文对传统的高斯混合背景模型进行了改进,提出基于梯度时空信息的高斯混合背景模型,证明了改进的算法确实能够取...     

基于码书和纹理特征的运动目标检测

复杂环境下如何进行鲁棒的运动目标检测是计算机视觉领域热门研究课题。本文提出了一种新的码书和高斯局部二值模式(GLBP)的纹理描述的运动物体检测方法,在线学习构建码书纹理背景模型。首先用码书以类似聚类的方式构建每个像素的码书模型,根据码字的颜色和亮度相似性,将背景像素分布用聚类码字的形式表示出来,同时在模型初始化和运动检测阶段不断更新码字以反映背景变化。然后用单高斯模型来学习背景像素变化的概率,生成GLBP纹理算子,同时在线更新GLBP反映图像空间纹理信息变化。最后融合三个特征将当前帧分割为前景背景两部分。通过实验视频表明本方法在实际视频中取得了较好的鲁棒的效果。      

基于RGB三通道分离的运动目标检测方法

背景图像的提取和更新是背景差分的关键。传统的背景差分法是对灰度图像进行处理,在检测前要对彩色图像进行颜色空间的转换,必然会丢失许多信息。对时间中值获取背景模型的不足加以改进,设计并实现了一种基于RGB三通道分离的运动目标检测方法。用形态学处理和连通性分析消除噪声,用区域填充技术填充目标区域内部空洞,在HSV空间去除阴影部分,得到比较准确的运动目标。实验结果表明,该算法在运动目标存在的情况下也能获得较准确的背景模型,当目标灰度值和背景灰度相近的时候,也可以检测到较完整的运动对象。     

基于减背景和混合差分的运动目标检测算法

针对固定摄像机条件下的视频监控问题,提出了一种基于背景相减法和混合差分法相结合的运动目标检测算法。该方法对彩色图像建立混合高斯模型,对背景模型进行实时更新;并对帧间差分法进行了改进,提出混合差分的思想。通过背景相减法和混合差分法的结合,采用形态学滤波的方法去除噪声点,检测到确切的运动目标。实验结果证明,文中提出的算法能准确地建立背景模型,既完整地提取运动目标,又适应复杂环境的变化,提高了运动目标检测的精确度和速度。     

基于背景差分的一种运动目标检测方法

针对运动目标检测中,传统背景差分法在运动目标和背景颜色相近时不易检测的缺点,提出了一种检测完整运动目标的方法。该方法对YUV彩色空间下的3个通道分别选取独立的阈值进行初次检测,最大化地利用了视频中图像的色彩信息。在包含初次检测所获运动目标的最小矩形区域内进行二次检测,有效地提高了检测精度。实验证明,相比于常规方法,该方法的检测结果更加清晰完整。     

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。     

基于自适应背景图像更新的运动目标检测方法

在运动目标的实时检测中常用的方法是背景图像差分法,但因其缺乏背景图像随监视场景光照变化而及时更新的合理方法,限制了本方法的适应性.对此,本文首先提出了一种基于光流场等技术的自适应背景逼近更新方法,并根据彩色差值模型得到差分图像;然后引入Gauss模型实现运动目标的自适应阈值分割.实验结果表明:本文提出的背景更新方法可随着光照条件的变化实时、准确地更新背景图像,在此基础上提出的基于Gauss模型的自适应阈值分割方法可以实现运动目标的完整分割,这为运动目标的后续识别与理解奠定了基础.     

基于改进surendra背景更新算法的运动目标检测算法

提出了一种改进的surendra运动目标检测算法,该算法可以自适应的调整背景更新速度。首先将第一帧图像作为背景图像,并利用改进的surendra背景更新算法根据每帧图像对背景图像进行更新获得可靠的背景。然后,将当前帧与背号作差,得到差值图像。使用自适应阈值对差值图像进行二值化处理,并利用形态学滤波对二值图像进行适当处理,这样运动目标就被准确地提取出来。     

基于图像融合的空间运动目标检测算法

文中提出了一种结合背景减除法和瞬时差分法在图像序列中检测运动目标的算法．算法利用瞬时差分法得到当前图像中运动目标的轮廓信息,在更新背景模型时不更新运动目标轮廓内区域,避免了由运动目标引起的背景模型更新误差．实验结果表明,该方法可以实现静止背景下图像序列中运动目标的检测,具有实时性,并能得到较好的检测结果．     

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.