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Android平台的视频运动目标检测系统

为了在Android平台上实现实时性好,抗噪声性能强的视频序列运动目标检测系统。本文提出了一种融合单高斯背景模型和帧间差分的运动目标检测算法。该算法提取出帧间差分法检测的运动目标区域,并对该区域采用基于单高斯模型的背景差分算法提取出运动目标,然后对高斯背景图像进行更新。实验结果证明,该算法能够有效降低背景扰动的影响,增强检测出的运动目标的完整性,而其复杂度仅为两种组成算法之和的73.9%,在Android平台上运行效果良好。     

一种改进的基于单高斯模型的红外异常目标检测算法

基于单高斯模型的红外异常目标检测算法是一种常见的能自适应更新背景模型的检测算法.该算法对各个像素的输出响应进行高斯建模,通过设定的阈值确定目标像素点是否为前景像素点,从而达到检测的目的.本文在单高斯模型的基础上,提出一种改进的异常检测算法,该算法利用奈曼-皮尔逊准则选取最佳阈值,克服了根据经验值选取阈值的局限性,为最佳...     

基于高斯金字塔与差分法的多目标检测和跟踪算法

针对复杂背景下的多目标检测和跟踪问题,提出了将背景差分目标检测算法与高斯金字塔图像重采样相结合的运动目标检测算法．该算法采用高斯金字塔法对图像进行重采样,建立背景模型,使用背景差分法获得前景区域,并对前景区域进行阴影检测、去除,从而检测出完整目标．融入了高斯模型关于背景更新的算法,克服了由于背景突然改变而造成的误检测．在目标阈值的确定过程中,采用动态阈值确定法,以提高目标检测的正确性．同时将目标的颜色特征和运动矢量引入到多目标跟踪算法中,提高目标跟踪的准确性．实验结果表明,该算法对于场景中存在目标频繁出现、消失、交叉运动和遮挡等情形均有较好的检测与跟踪效果．     

基于视频图像中运动目标检测算法的研究

运动目标检测是从实时捕获的视频序列图像或视频文件中将与背景存在相对运动的目标找出来。帧差分法和背景差分法是运动目标检测中常用的方法,文章主要研究了背景差分法中的单高斯背景模型和高斯混合背景模型的基本原理,对这两种算法进行了详细描述,对高斯混合背景算法进行了改进,实验结果表明,改进后的算法在目标检测质量是相对于原来的背景的基础上差分法,混合高斯模型数据量很小。     

基于改进的三帧差分法运动目标检测

为了提高运动目标检测的准确性和效率,提出了基于改进的三帧差分法检测运动目标的算法.该算法对传统的三帧差分法进行了改进,结合了单高斯模型背景提取、背景自适应更新和自适应阈值提取的方法,从而解决了传统三帧差分法中可能出现的无法检测出完整的运动目标的问题.背景的自适应更新和自适应阈值的提取减少了光线亮度变换以及噪声对运动目标检测带来的影响.实验表明,该算法与传统的三帧差分法相比可以更加完整地检测出运动目标,并且可以有效地避免出现“漏检”等情况,提高了运动目标检测的效率和准确性.     

一种改进的混合高斯模型运动目标检测算法

针对传统混合高斯模型使用固定学习速率所带来的问题,提出了一种改进的运动目标检测算法。该算法采用自适应的学习速率调整策略,在背景建模初期,采用较大的学习速率加快初始背景的建模,使得模型能更快地适应背景的变化;背景形成以后,根据目标运动的快慢动态调整学习速率,从而能够及时更新背景,消除运动目标的残留和拖影;最后利用基于HSV颜色空间的阴影检测算法消除运动阴影。实验结果表明,改进算法优于传统混合高斯模型,可以更准确地检测出运动目标,更好地消除阴影,并具有较好的自适应性和稳健性。     

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。     

基于改进高斯混合模型的运动图像目标检测算法

运动图像目标检测指的是从序列图像中将变化的目标从背景中分离出来,高斯混合模型可以对视频序列图像的前景和背景进行分类,再利用背景减除实现运动目标的检测。提出一种基于改进高斯混合模型的优化背景建模方法,该方法首先利用3×3模板对序列图像帧中的像素进行类似卷积的均值计算,然后利用相邻均值的差提取均差因子自适应更新图像的均值。在此基础上,设计了自适应学习率和学习速率,利用改进高斯混合模型实现序列图像的背景建模。改进模型不仅能有效减少数据计算量,同时可以降低在相似区域像素计算的时长,大大加快背景建模速度。实验结果表明,改进模型在目标检测、算法执行速率等性能指标上都有更好的表现,能满足实时检测要求。     

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...     

改进单高斯模型的视频前景提取与破碎目标合并算法

针对视频背景建模和运动目标检测,本文提出一种基于分块模型更新的单高斯背景建模方法。新方法将视频图像划分为多个区块,并对块内的像素进行统一建模,以替代传统方法中对单像素点的建模。由于块像素的平均更符合高斯分布特性,有利于发挥单高斯建模方法的优势,因此增强了算法应对复杂背景的能力,同时分块建模也有效降低了算法复杂性。针对破碎团块的合并问题,本文提出一种“比对就近”的策略,将相隔距离在设定阈值内的团块合并为一个目标。实验结果验证了本文所提方法的有效性。      

基于自适应阈值的前景提取算法

针对固定场景视频监控中运动目标提取的问题,提出了一种基于自适应阈值的前景提取方法。该算法通过混合高斯模型(GMM)对背景建模及更新,利用自适应阈值的方法,实现了模型门限的自适应调整和前景目标的分割。然后通过阴影抑制,滤波以及形态学处理的方法对前景目标进行后处理,改善了前景目标分割的质量。通过对不同场景的测试仿真表明,该算法能够有效地并且比较完整地提取出运动目标。     

基于鲁棒主成分分析的运动目标检测优化算法

针对鲁棒主成分分析(Robust Principal Component Analysis, RPCA)算法中将动态背景误检为运动目标的问题,该文提出一种运动目标检测优化算法。在RPCA算法初步检测出运动目标后,利用动态背景在时间域上满足高斯分布的特性,以及动态背景和运动目标在整个视频流上检出点均值和方差的差异特性,进一步将动态背景和运动目标分离开来。实验结果表明,所提算法能够有效地处理动态背景的问题,并在一定程度上完整检测出运动目标。     

基于混合高斯模型和六帧差分的目标检测算法

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,提出了一种改进的视频运动目标检测算法。该算法将混合高斯模型与六帧差分算法相结合,构建了一种高效的运动目标轮廓模型,并嵌入背景替换法和动态阈值分割法提高算法的稳健性,通过连通性检测和形态学处理,得到完整的运动前景像素。不同场景的视频检测结果表明,改进算法有效克服了光照突变、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OpenCV与混合高斯建模的运动目标检测

针对静态背景下的视频运动序列,在研究现有的检测算法——帧间差分法与背景差分法的基础上,进一步研究了运动目标检测中背景动态建模的方法——混合高斯建模法,在此基础上提出了基于混合高斯模型与三帧差分的运动目标检测改进算法。由于使用背景差分法检测运动目标时,运动物体和阴影都将被看作运动的目标,于是研究了基于归一化RGB色彩模型的阴影处理方法,对阴影区域进行检测与去除。然后使用计算机视觉类库OpenCV结合Visual C＋＋6．0对上述算法进行实现,取得了很好的检测效果。     

基于混合模型的运动目标检测算法

自然界中复杂的环境对视频临控系统有一定的下扰,对运动物体的检测也将产生显著的影响,通过分析光照变化、背景干扰等现象对运动目标的检测的影响,本文提出了一种能适应环境变化的混合模型运动目标检测算法,该算法结合帧间差分法和混合高斯模型算法的优点,将帧差法作为进行高斯背景减法的指导,既能得到较高的灵敏度又能进一步提高检测效果,...     

一种有效的两阶段视频图像处理方法

传统混合高斯模型是背景估计中常用的方法,但传统混合高斯模型一般为每个像素分配固定的高斯分布个数,从而造成了背景形成速度的减慢和系统资源的浪费;同时也存在着高斯模型背景建模中的缓慢或滞留运动物体造成目标误判现象的问题,即所谓的空洞问题.文中提出了一种有效的两阶段视频图像处理方法.该方法在第一阶段根据像素点的优先级大小自动地调节高斯分布的数目,在第二阶段首先对像素点进行所属区域的划分,进而对目标区域和非目标区域采取不同的更新手段.通过实验表明,采用该两阶段视频图像处理方法能明显的改善背景建模的速度,也能有效的解决提取目标出现的空洞问题,从而验证了该算法的有效性.     

基于改进MeanShift的目标跟踪算法

针对传统Meanshift算法在某些干扰或遮挡情况下不能保证跟踪的准确性,以及目标模型内的背景像素也会造成定位偏差的问题,提出一种基于MeanShift的改进算法。首先对目标模型进行改进,通过目标与背景的区分度引入权系数,在目标模型中进行加权处理,可达到降低目标模型内背景像素对跟踪定位精度的影响。然后,将跟踪窗进行分块,对各子块使用改进目标模型的Meanshift算法进行跟踪。最后,用匹配度最大的两个子块加权决定目标的最终位置,从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。实验表明,在复杂背景下,新算法仍然可以有效、准确地跟踪运动目标。