基于高斯混合模型的空间域背景

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。     

基于高斯混合模型的DCT域水印检测方法

基于音频DCT系数的统计特征,提出了一种水印检测方法.采用扩频的方法在DCT域嵌入水印, 分别对嵌入水印和未包含水印的音频信号在DCT域进行统计学习,得到对应的高斯混合模型(Gaussian mixture model, GMM). 接收端采用最大似然检测,判断是否嵌入水印并提取相应的水印信息. 仿真结果表明本文的水印检测算法对常见的信号攻击具有鲁棒性,与传统的相关检测法相比,检测可靠性更高.     

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。     

基于高斯混合模型的阴影消除算法

关于阴影消除是智能监控系统的重要组成部分,且对后续的识别和跟踪有很大的影响。根据改进的高斯混合模型检测出目标,用高斯混合阴影模型来检测阴影,并用高斯平滑滤波处理检测的结果。然后动态选择合适的阈值对图像做二值化处理,进一步对结果进行形态学滤波。经过整个过程的处理,得到了较为完整的轮廓,很好的消除了阴影,提高后续的识别和跟踪的准确性和可靠性。实验表明,算法能较好地消除阴影,且具有较好的实时性和鲁棒性。     

基于形态学的高斯模型和八邻域帧差法混合运动目标检测算法

针对视频中运动目标的提取问题,提出一种基于形态学的高斯模型和八邻域帧差法相融合的提取算法。该算法首先将视频中某些帧转化为灰度图,建立以混合高斯分布为基础的统计模型,并结合八邻域帧差法提取出运动目标的大致轮廓,然后利用自适应更新的高斯模型算法进行精确的减除,最后再进行形态学处理,从而使检测出的运动目标更加清晰完整。实验结果表明,该算法对含有低速运动物体、阴影较多的视频提取效果较好,具有很好的鲁棒性。     

基于高斯模型的污损纸币识别算法研究

研究纸币识别问题,提高纸币识别的准确率。针对纸币识别过程中,当待识别的纸币在流通中存在被污染或者磨损,传统的模板匹配的识别算法受纸币污损的影响识别的准确性。为解决上述问题提出一种高斯模型的识别算法,首先对待检测图像进行亮度补偿、边缘检测、倾斜校正等预处理,然后将图像划分为若干个矩形子区域,计算各子区域的灰度平均值作为提取的图像初始特征,通过计算初始特征的先验概率并对后验概率进行修正,对污损区域特征值的校正,最后建立高斯模型完成纸币的识别,克服了传统无法准确识别污损纸币的问题。实验证明,改进方法能够将纸币污损部分校正并将纸币准确识别,取得了满意的效果。     

基于小波域混合高斯模型的自相似流量合成算法

自相似流量特性对网络性能具有重要影响，流量建模与合成是网络性能评价的基本环节．提出了一种基于小波域混合高斯模型的自相似流量建模与合成方法：小波变换的近似Karhunen—Loeve（K-L）变换特性可以有效去除流量过程的长程相关，而混合高斯模型准确地描述了小波系数的非高斯分布．对合成流量进行了统计分析以及排队性能仿真．实验表明该方法能够更准确地对通信流量进行建模和合成，并且具有运算量小（O（N））、流量生成快速等优点．     

高斯混合背景模型的方差估计研究

在分析高斯混合背景模型建模机理的基础上,研究了模型参数估计及更新中模型结构稳定性和可塑性两难问题,指出高斯分量方差估计对运动分割的重要性。针对Stauffer算法中高斯分量均值和方差更新公式收敛过慢问题,提出了兼顾适应性和运动分割准确性的均值和方差更新策略。实验结果表明该方法在模态学习的准确性和方差收敛速度方面比原有方法有较大提高。     

高斯混合模型、求解算法及视觉应用综述

高斯混合模型(GMMs)是统计学习理论的基本模型,在可视媒体领域应用广泛。近些年来,随着可视媒体信息的增长和分析技术的深入,GMMs在(纹理)图像分割、视频分析、图像配准、聚类等领域有了进一步的发展。从GMMs的基本模型出发,从理论和应用的角度讨论和分析了GMMs的求解算法,包括EM算法、变化形式等,论述了GMMs的模型选择问题:在线学习和模型约简。在视觉应用领域,介绍了GMMs在图像分段、视频分析、图像配准、图像降噪等领域的扩展模型与方法,详细地阐述了一些最新的典型模型的原理与过程,如用于图像分段的空间约束GMMs、图像配准中的关联点漂移算法。最后,讨论了一些潜在的发展方向与存在的困难问题。     

基于小波域局部高斯模型的图像复原

图像复原的目的是将原始图像从观测到的降析图像中恢复出来.提出了一种基于小波域局部高斯模型的线性图像复原算法.小波域局部高斯模型采用高斯函数刻画子带系数的局部概率分布,由于这一模型具有很好的局部自适应性,并能正确地反映图像的局部结构信息,因此算法以此作为自然图像的先验模型,把图像复原问题转化为一个约束优化问题并用共轭梯度法对其进行求解.实验结果表明,基于小波域局部高斯模型的图像复原算法较好地再现了各种边缘信息,复原出的图像在信噪比和主观视觉效果方面都有显著的提高.     

一种基于高斯混合模型的距离图像分割算法

提出了一种基于表面法向的高斯混合模型的距离图像分割算法.它充分利用了表面法向高斯混合模型的物理含义,使数据聚类的次数减少,并利用Expectation-Maximization(EM)算法估计出的模型参数计算模型的后验概率实现了自动模型选择.算法针对两种距离相机的60幅真实距离图像进行了实验.将实验结果与几个流行的分割算法进行了客观比较.     

基于树结构椭圆簇分裂的深度图像分割算法

提出了一种基于树结构椭圆簇分裂的深度图像分割算法 .该算法是根据聚类簇协方差矩阵分解的物理含义 ,利用数据的二维散布来同时确定分裂扰动矢量的方向和长度 ,迭代地分裂聚类簇 ,为期望最大化算法提供初始值 .算法还充分利用表面法向高斯混合模型的物理含义来减少聚类次数 ,并根据几何含义清晰的门限自适应确定类别数 .作者针对两种深度相机的 6 0幅真实深度图像进行了实验 ,并与传统的树结构扰动方案以及K均值算法初始方案进行了客观比较 .实验证明 ,新的初始值方案以更少的聚类次数得到了更好的结果     

用于图像分割的多分类高斯混合模型和基于邻域信息的高斯混合模型

高斯混合模型是一种简单有效且被广泛使用的图像分割工具。然而,传统的高斯混合模型在混合成分个数确定时的拟合结果不够精确;此外,由于没有考虑像素间的空间关系,导致分割结果易受噪声干扰,且分割精度不高。为弥补传统高斯混合模型的缺陷,文中提出多分类高斯混合模型和基于邻域信息的高斯混合模型用于图像分割。多分类高斯混合模型对传统混合模型进行二重分解:传统混合模型由M个分布加权混合得到,多分类混合模型进一步将M个分布中的每一个分布分解成R个分布。即多分类高斯混合模型由M个高斯分布混合组成,而这M个分布分别由R个不同的分布混合得到,提高了模型的拟合精度。基于邻域信息的高斯混合模型通过对模型中的先验概率和后验概率添加空间信息约束,增强了像素间的信息关联和抗噪性。采用结构相似性、误分率和峰值信噪比等指标来评价分割结果。通过实验发现:与现有的混合模型分割方法相比,文中方法大幅提高了分割精度,且有效地抑制了噪声干扰。     

基于高斯分布的大气光估计算法

针对现有去雾算法在估计大气光向量时,所采用的方法包含的大气光候选点数量较少,导致估计结果在统计意义上误差较大这一问题,提出了基于高斯分布的大气光估计算法。该算法首先使用阈值划分的方式选取候选点以增加初始样本点数量;然后引入聚类算法对原算法所得光源点簇进行合并以提高单个点簇所含样本点个数;同时,使用比例阈值过滤掉不合理的点簇,并将各点簇视为单独光源,单独计算其对周围像素的影响,其影响通过二维高斯分布函数进行建模;最后使用大气光图取代全局大气光复原图像。实验结果表明, 相对于原算法, 使用高斯分布大气光图复原的结果在主观视觉上看起来更加自然,且其客观图像质量评价指标也得到了提高。     

基于改进混合高斯模型的人群密度估计方法

人群密度估计对于公共安全管理至关重要。针对视频监控系统下的人群密度估计问题,提出了一种基于改进混合高斯模型和像素统计的人群密度估计方法。通过计算图像的均值和偏差均值,提取高斯模型特征,在恒定的模型更新速率指导下,重建混合高斯背景图,从而获取人群二值图,最后,利用像素统计的方法实现人群密度快速估计。实验结果表明,较传统方法,该方法可以更准确有效地估计人群密度。     

一种基于高斯混合模型的轨迹预测算法

在智能交通控制系统、军事数字化战场、辅助驾驶系统中,实时、精确、可靠的移动对象不确定性轨迹预测具有极高的应用价值.智能轨迹预测不仅可以提供精准的基于位置的服务,而且可以提前监测和预判交通状况,进而推荐最佳路线,已经成为移动对象数据库研究的热点,亟需设计准确而高效的位置预测方法.针对现有方法的不足,提出了基于高斯混合模型的轨迹预测方法GMTP,主要步骤包括:(1) 针对复杂运动模式利用高斯混合模型建模;(2) 利用高斯混合模型计算不同运动模式的概率分布,进而将轨迹数据划分为不同分量;(3) 利用高斯过程回归预测移动对象最可能的运动轨迹.GMTP是高斯非线性概率统计模型,其优势在于:计算结果不仅是位置预测值,更是关于移动对象未来所有可能运动轨迹的概率分布,可以利用概率统计分布特性获得某种运动模式(如匀加速运动)下的位置预测.大量真实轨迹数据集上的实验结果表明:与相同参数设置下的高斯回归预测和卡尔曼滤波预测法相比,GMTP的预测准确性平均提高了22.2%和23.8%,预测时间平均缩减了92.7%和95.9%.     

基于高斯混合模型的粒子滤波时频分析算法

根据有限高斯混合模型可以逼近任意概率分布密度函数的思想,提出了一种基于高斯混合模型的非平稳信号粒子滤波时频分析算法.本方法兼顾了算法在频率缓变时的估计精度和频率突变时的动态性能,并结合一种简化的TVAR模型,通过降低估计量维度,较大幅度地改善了计算性能,满足了对非平稳信号进行在线时频分析的要求.实测数据的时频分析试验证...     

基于广义高斯分布模型的盲源分离算法

分析了盲源分离的自然梯度算法与常规梯度算法的差异,研究了在自然梯度算法中引入不完整基后的算法特性,严格剖析了不完整自然梯度方法的成因与机理,数学上论证了与自然梯度盲源分离算法相比,不完整自然梯度算法避免了因源信号非平稳或幅值快速变化而引起的数值不稳定,并利用广义高斯分布模型模拟不完整自然梯度算法中的非线性激活函数,根据高斯指数值的不同选择,使该算法适用于服从任意分布源信号的方法。分别选取非平稳语音信号、脑电和心电信号以及正弦波和脑磁波信号进行仿真实验,结果表明基于广义高斯分布模型的不完整自然梯度算法完全能够恢复出这些不同类型的源信号。     

一种基于高斯混合模型的视频监控运动物体提取系统

现有的视频监控系统必须要依靠人对监控图像的实时观察才能发挥作用。设计并实现了一种基于高斯混合模型的自适应的视频监控运动物体提取系统,使用高斯混合模型对监控场景进行建模,利用对象形状的空间连通性和最小像素尺寸约束去除噪声影响,从而实时地分离出前景中的运动物体并对其进行追踪和计数,仿真实验的结果证明了系统的有效性。     

基于高斯概率模型的字符识别算法的研究

提出了一种新的基于高斯概率模型的字符识别算法,该算法根据模式识别的样本分布特征与高斯分布的一致性,构建了一个高斯概率模型.在模型中存储概率为P的训练样本,分类识别时,将测试样本与模型进行相关计算得出概率值,进行判断.结果表明,该算法识别速度快,准确率高,与其他字符识别算法(KNN)相比有更好的实用性.