基于改进ViBe算法的视频浓缩

针对监控视频在时间上存在冗余的问题,对ViBe(visual background extractor)算法进行改进,解决了ViBe算法存在噪声和易引入鬼影的问题,通过改进后的算法对视频进行背景建模,并对得到的背景掩模提取外轮廓以确定视频帧中是否存在前景对象。将存在前景对象的视频帧写入视频流中,达到视频浓缩的目的。经过试验验证,该方法可以有效地减少视频中的冗余信息,减小视频的体积,视频中的重要信息同时也得到了完整保留,满足实时性要求。     

复杂背景下运动目标检测的ViBe改进算法

针对ViBe运动目标检测算法在复杂背景下出现鬼影和鲁棒性低等问题,文中提出一种基于边缘梯度特征的自适应阈值改进算法.通过计算当前帧图像背景复杂度,自适应调整阈值R,提取前景目标;建立前景区域与运动区域的边缘梯度模型,通过判断模型之间的相似度,消除鬼影区域.经对采集的3个设定视频场景进行实验验证,结果表明,该算法对复杂场...     

基于改进的鬼影抑制和自适应视觉背景提取的运动目标检测

视觉背景提取算法(ViBe)利用第一帧图像对背景模型进行初始化,很容易产生鬼影现象.由于ViBe使用固定的分割阈值来实现前景和背景的分割,对于高度动态的背景,ViBe的检测会产生很多的误检测.针对这些问题,本文提出了一种改进的"鬼影"抑制和自适应视觉背景提取算法.首先,利用像素的时间与空间信息,在视频序列的奇数帧中,利...     

基于灰度投影运动估计的ViBe改进算法

传统的ViBe算法在目标检测中是比较常用的检测算法,该算法因为便于实现、运算效率高等优点在运动目标检测方面得到了广泛的应用.但是传统的ViBe算法在分离前背景时经常出现"鬼影现象".针对以上问题提出了一种基于灰度投影运动估计的ViBe改进算法,首先用三帧差分法和ViBe算法对运动目标进行了实时检测,分离了前背景后,发现由于背景发生变化时对检测的前景目标图像有误检现象,为了去除运动背景的影响,采用了灰度投影运动估计的方法,用于估计两帧图像的平移参数和缩放参数,并选取一个参照帧的背景图像作为参考,最后根据将运动参数映射到当前输入的背景图像中,实现了背景的补偿,得到了真实的背景图像.实验结果表明,本文算法在对运动区域的目标进行检测时可避免鬼影、抗动态背景模型干扰等方面有很好的优势,并可以准确的在动态背景下检测出运动目标的位置信息.     

基于改进ViBe算法的运动目标识别方法

针对ViBe算法存在的伪影及易受复杂环境干扰的缺点,提出一种基于改进ViBe算法的运动目标识别方法。该方法使用20邻域建模来创建背景模型;通过依据模型复杂度的自适应阈值和颜色畸变阈值双重作用来识别背景点;采用基于像素生命周期的更新策略来完善背景模型;对识别后的图像采用噪声斑点丢弃和空洞填充策略来提高识别目标的完整性。实验结果表明,改进后的算法能够在较少帧数内消除目标的伪影,当视频中存在光照变化、阴影以及各种遮挡物等复杂干扰时,该方法对于运动目标识别具有较高的精确度和稳定性。     

改进的ViBe运动目标检测算法

ViBe算法存在初始化背景建模效果不佳、不适应复杂背景变化以及消除鬼影较慢的问题.为了解决这些问题,提出一种改进的ViBe算法.此算法首先采用多帧图像梯度幅值进行背景建模,在背景更新时,引入阈值自适应调整因子,实现动态更新阈值,为提高消除鬼影效率,在鬼影消除判别过程中采用基于运动目标区域整体性的判别方法.实验结果表明,改进的算法能快速的消除鬼影,在复杂背景、光线变化环境中有更好的适应性和更高的检测精度.     

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.     

基于自适应学习率的运动目标高效检测算法

该文提出了一种改进的基于自适应学习率高斯建模的三帧差分算法。通过基于自适应学习率的混合高斯背景建模,实现背景模型的自适应修正,保证算法在动态环境中能完整提取目标内部信息。其次,采用基于边缘提取的三帧差分改进算法,完成对目标轮廓的快速提取,并以此作为目标图像的边缘补充。实验结果表明,该算法能够完整提取运动目标,并保证目标边缘的连续与平滑,同时检测的速度得到提升,可广泛应用于智能监控、医疗等领域。     

基于平滑帧差法的混合高斯模型的研究与应用

鉴于传统混合高斯模型在光照突变、噪声干扰时鲁棒性不高,易造成检测错误等问题,提出一种改进的监控视频前景运动目标提取算法.该算法将帧差法平滑化,再与混合高斯模型相结合,分别采用正序和倒序对样本灰度矩阵处理,增强识别准确度.通过基于灰度图的协方差矩阵导出仿射不变量,根据已有的仿射不变量对灰度图进行识别、分析,得到在晃动视频下的前景运动目标的较准确提取.不同场景的视频检测结果表明,改进算法有效克服了监控摄像头晃动或偏移、光照突变、噪声干扰、"空洞"及"双影"现象,与同类算法相比,具有更高的准确度和鲁棒性.     

基于改进的混合高斯背景模型的运动目标检测研究

针对传统混合高斯背景建模（GMM）在一些复杂场景下未能有效地描述背景,目标容易出现错误的检测,本文提出一种改进算法。该算法先对视频帧进行分块处理,然后对单模区域和多模区域采用不同的更新速率进行更新,最后在空域上对检测结果进行数学形态学的处理,从而提取运动目标。实验结果表明,该算法能够提高背景建立和运动目标检测的速率,在多种场景下运动目标的检测都具有良好的鲁棒性。