统计建模与对象更新机制相结合的背景减法

基于混合高斯模型（Gaussian Mixture Models,GMM）或码书模型（Codebook,CB）的传统背景建模算法和改进后的G-KDE算法被广泛地运用于运动目标检测中,但是在光照突变、非静止背景和运动目标短暂停留再运动的场景中不能正确地检测出运动目标。针对以上问题,提出了一种从静止摄像机的视频序列中检测运动目标的背景减算法。通过统计像素的经历作为时间序列,利用核密度估计判断背景像素是否受到运动目标干扰,使用K-均值聚类算法的两个连续阶段来确定可靠的背景区域,通过像素更新适应渐进的光照变化,提出一种基于对象的背景更新机制适应突然的光照变化以及非静止背景、鬼影等干扰。对实际摄取的视频进行了仿真实验,结果表明该算法比其他三种方法检测运动目标鲁棒性更好,准确性更高。     

基于分块分类的智能视频监控背景更新算法

针对传统智能视频监控中背景更新算法计算量大、对光照变化敏感等问题,提出了一种基于分块分类的背景更新算法.首先,根据视频序列获得初始的背景参考图像,采用背景差分法得到当前帧的差分图像.然后,将差分图像采用分块处理,按照子块的均值特征对各子块图像进行前景块和背景块的分类.最后,根据分类情况采用不同的背景更新策略,实现背景的实时更新.该算法以块为操作对象,相比单个像素处理时的计算量更小,运算速度更快.实验结果表明,新算法能较好地适应光照变化,背景更新效果较好.     

基于区域相关的核函数背景建模算法

传统的背景建模方法都是单独为每个像素建立背景模型,这样就没有考虑像素之间实际存在的相关性,使得在进行前景和背景分割时出现不该出现的空洞和噪声点。为了解决这一问题,提出了一种基于像素邻域信息的核密度估计背景建模算法;给出了相邻像素亮度值分布模型间的相关性描述,并将该相关性引入到背景建模中,得到包含时一空信息的背景模型,并提出背景模型的更新策略;实验结果表明,算法能有效去除前景区域内的空洞和背景区域内的噪声点,能快速准确地更新背景模型,能进行复杂场景的背景建模。     

基于增量式特征基背景模型的运动目标检测

背景差法是目标运动检测的主流方法,关键在于背景模型自适应更新.针对传统特征基背景模型批处理方式计算量大、更新速度慢的问题,采用增量式主成分分析来建立特征基背景模型.首先计算样本图像的初始背景图像,然后采用CCFIPCA算法更新特征基背景模型,最后通过输入帧和重建帧的欧氏距离检测前景运动目标.算法以视频帧整体来建立背景模型,克服了混合高斯模型和核密度估计以孤立像素点建模的不足,提高了背景建模的鲁棒性.在SIMULINK下的仿真实验表明,算法能很好地适应高速公路交通场景动态变化,在有光线变化和阴影影响的情况下能完整、准确地提取出运动车辆轮廓.     

融合子块梯度与线性预测的单高斯背景建模

针对单高斯背景模型不能适应非平稳场景且对初期保持静止后期运动的物体造成"鬼影"现象的问题,提出了融合子块梯度与线性预测的单高斯背景建模方法。首先,对每个像素点进行单高斯背景建模,并实现像素级的自适应更新,运用子块梯度算法将梯度在阈值内的子块作为背景以消除"鬼影";然后,将子块梯度法获得的前景与单高斯模型确定的前景做与运算,提高在非平稳场景下对背景的判断能力;最后,运用线性预测方法处理获得的前景点,将面积小于阈值的连通区域还原为背景。采用CDNET 2012 Dataset和Wallflower Dataset进行仿真实验:当场景变化幅度较大时,所提算法与混合高斯模型(GMM)相比,虽然检测率稍有下降,但检测精度提高了40%;在其他场景中检测率虽只提高约10%,检测精度却能提高25%以上。实验结果表明,融合子块梯度与线性预测的单高斯背景建模能够适应非平稳场景并消除"鬼影"现象,获得的背景比混合高斯模型更精确,提取的前景细节更丰富。     

复杂背景下多目标彩色分割算法

运动视频多目标分割中的背景建模对环境变化有较大的依赖性,直接运用背景差分法会产生不理想甚至是错误的分割.提出了一种基于Kalman滤波理论的改进码书背景建模算法.根据码书为每个像素建立一个彩色模型,用来区分前景和背景像素,并利用Kalman滤波器的时域递归低通滤波特性对码书背景更新模型进行了校正.实验结果表明,该算法可以有效地更新背景模型,抗干扰能力强,在复杂背景条件下可精确分割出运动目标并满足实时性要求.     

一种基于场景区分算法的背景抽取方法

视频监控面对的场景具有静态的成分和缓变的成分.为了从视频流中稳定地抽取较精确的背景,提出了一种基于场景区分的背景抽取算法.首先通过混合高斯模型对视频序列中稳定的成分进行建模,然后采用Kalman滤波模型对视频序列中变化的成分进行建模,最后采用场景的区分算法将2种模型结果进行处理从而得到背景.实验结果表明:该方法能从视频...     

基于随机选择和竞争合作更新策略的变化检测

针对复杂场景中背景更新这一难题,提出一种背景更新适应性较强的变化检测算法。利用建模样本的无记忆性进行随机更新得到初步更新后的背景模型,采用模型像素间竞争的方式选取邻域更新位置,通过当前帧图像像素间合作的方式得到加权更新值。仿真实验结果表明,所提更新策略能够在有效处理复杂场景的同时保证检测结果的准确率。五类复杂背景图像序列的仿真结果也验证了该算法具有综合性能的优势。     

光照突变场景中结合Phong模型的分层差分前景检测

针对前景检测中光照突变问题和非平稳背景扰动问题,提出一种块级-像素级分层背景差分结合Phong模型的前景检测方法。首先,利用块级Sigma-delta背景差分算法快速检测前景区域且有效处理非平稳背景,然后利用Phong模型对前景区域进行光照突变处理提取出粗目标,最后利用像素级Sigma-delta算法对粗目标执行像素级前景提纯操作和对背景进行更新。实验表明,该方法在光照突变场景中及非平稳背景中能鲁棒实现前景检测。     

混合高斯模型和差分法相融合的运动目标检测

提出运动目标检测中背景动态建模和OTSU局部递归分割的一种方法,该方法在自适应混合高斯背景模型基础上,为每个像素构建混合高斯背景模型,通过帧间差分把每帧中的图像区分为背景区域和运动区域,背景区域中像素点将以特定的更新率更新背景模型,物体运动区不再构建新的高斯分布加入到混合高斯分布模型中.实验结果表明,在有诸多不确定性因素的序列视频中构建的背景有较好的自适应性,能迅速响应实际场景的变化.     

字典重建和空间分布关系约束下的特征选择与图像拼接

目的 针对大型图像检索领域中,复杂图像中SIFT特征描述子的冗余和高维问题,提出了一种基于字典重建和空间分布关系约束的特征选择的方法,来消除冗余特征并保留最具表现力的、保留原始空间结构性的SIFT特征描述子。方法 首先,实验发现了特征选择和字典学习方法在稀疏表示方面的内在联系,将特征选择问题转化为字典重构任务;其次,在SIFT特征选择问题中,为了保证特征空间中特征的鲁棒性,设计了新型的字典学习模型,并采用模拟退火算法进行迭代求解;最后,在字典学习的过程中,加入熵理论来约束特征的空间分布,使学习到的特征描述子能最大限度保持原始SIFT特征空间的空间拓扑关系。结果 在公开数据集Holiday大型场景图片检索数据库上,通过与国际公认的特征选择方法进行实验对比,本文提出的特征选择方法在节省内存空间和提高时间效率（30%~ 50%）的同时,还能保证所筛选的特征描述子的检索准确率比同类特征提高8%~ 14.1%;在国际通用的大型场景图片拼接数据库IPM上,验证本文方法在图像拼接应用中特征提取和特征匹配上的有效性,实验表明本文方法能节省（50% ~70%）图像拼接时间。结论 与已有的方法比较,本文的特征选择方法既不依赖训练数据集,也不丢失重要的空间结构和纹理信息,在大型图像检索、图像拼接领域和3D检索领域中,能够精简特征,提高特征匹配效率和准确率。     

基于LBP值对空间统计特征的纹理描述符

针对基于内容图像检索应用背景下局部二值模式(LBP)描述符缺乏空间描述能力及所需特征矢量维数较长的不足, 提出一种基于LBP值对空间统计特征构建的改进纹理描述符(ILBP)。ILBP描述符首先利用LBP微模式编码方法将原始图像转换为LBP伪灰度图像, 然后再提取出多个关于LBP值对空间分布关系统计值构成描述图像特征的特征矢量。在基于内容的图像检索原型测试平台上完成大量实验。实验结果表明, 与LBP及其各类变种描述符相比, ILBP描述符在进一步增强LBP描述符描述能力的同时大幅度压缩特征矢量维数, 具有更好的查询正确率和查询效率。