基于改进高斯混合模型的前景检测

针对自适应混合高斯背景模型执行速度慢、检测前景时容易产生“鬼影”等问题,提出一种改进的混合高斯背景建模方法。该方法通过对高斯分布权值和生存时间的限制,建立高斯分布退出机制,使模型能根据场景自适应选择每个像素的高斯分布个数,从而去除多余高斯分布,加快算法执行速度。在模型更新过程中,通过融入帧间差分,将每帧图像分成运动像素、背景像素及非真实运动像素,并通过对非真实运动像素赋予较大学习率来加速移出背景的恢复,从而避免“鬼影”和拖影现象。实验结果表明,与传统检测方法相比,该方法可以获得更好的目标检测效果。     

面向车流量估计的改进ViBe算法研究*

针对视觉背景提取(Visual Background Extractor,ViBe)算法中出现的“鬼影”、阴影前景和漏检静止目标等问题,提出了一种经过改善的ViBe算法。首先在背景模型初始化阶段,利用改善的平均背景建模法对多帧图像建立初始化背景模型以消除鬼影。接着在前景检测阶段,通过计算运动目标与背景像素间差值消除由于光照所造成的阴影,同时利用直方图相似度检测静止目标。最终在车道设置虚拟线圈检测区以检测各个车道的占用比,从而得出道路的交通情况。试验表明,经过改善后的ViBe算法在抑制“鬼影”出现、检测静止目标和消除阴影三方面有较好的效果,能够准确检测出道路车流量。     

目标相似性度量的鬼影抑制方法

针对背景差分法中的鬼影扰乱运动目标检测与跟踪问题, 提出目标相似性度量的鬼影抑制方法。首先分析间隔帧中目标的直方图分布和像素变化率, 依此判断目标相似度并检测鬼影; 然后提出面向鬼影对象的背景模型更新方法, 快速校正鬼影背景, 抑制鬼影再出现。实验结果表明, 该方法克服了自适应背景方法的检测灵敏度低和运动属性方法消耗高的缺点, 能够快速准确地抑制鬼影。     

基于双背景模型的鬼影抑制方法研究

针对双背景模型下的鬼影检测及抑制问题,提出预处理操作、基于区域生长的鬼影检测方法和背景更新抑制鬼影。首先预处理,为了抑制第一帧出现的鬼影,同时建立准确的背景;其次,利用鬼影在当前帧和背景帧的区域生长大小不一致来检测鬼影;最后针对包含鬼影目标的背景图像进行背景更新,快速还原背景,抑制鬼影再现。实验结果证明,该方法适应环境能力强,能准确检测出鬼影,并且背景更新效果好,能快速抑制鬼影。     

基于改进视觉背景提取算法的运动目标检测

针对经典视觉背景提取算法因初始帧存在运动目标易产生鬼影以及对扰动背景适应性差的问题,提出一种改进ViBe算法;利用改进三帧差分法和最小外接矩形定位初始帧运动目标,并通过局部初始化的方法进行鬼影抑制;在背景模型初始化阶段,定义灰度相似函数从时域和空域信息中中等比例选取像素点建立背景模型,增强背景模型的鲁棒性;在前景检测检测阶段,通过平均差法衡量样本集合的离散度,构建自适应分割阈值代替原有的固定分割阈值以适应背景扰动;实验表明,改进算法可以有效抑制鬼影产生并且提高算法在扰动背景下的适应性和检测准确度。     

视觉背景提取算法关键技术研究

针对视觉背景提取(Visual background extractor,ViBe)算法中出现的“鬼影”及复杂场景检测不佳等问题,提出一种改进的ViBe算法。该算法在初始化阶段使用多帧图像的像素值训练背景样本,减少“鬼影”对于检测精度的影响;在前景判断过程中基于像素区域复杂度动调整态分类阈值及匹配阈值以适应复杂场景,减少虚假前景干扰;背景样本更新阶段中使用自适应的时间二次抽样因子减少像素值的错误传播,快速恢复背景样本。实验结果表明,与传统算法相比,改进算法在“鬼影”抑制及复杂场景适应上均有较好表现。     

改进的自适应混合高斯前景检测方法

针对混合高斯背景模型计算量大、存在阴影和鬼影的不足,提出一种基于混合高斯模型的改进前景检测算法。通过分析背景的稳定性来选择连续或隔帧更新方式对背景模型中的参数进行更新,提高算法的运算速度。在背景更新方面,让更新率与权值相关联从而使更新率随权值改变并且对目标移动后显露的背景像素给予更大的更新率,提高背景的稳定性并解决鬼影现象及前景与背景转化的问题。对检测出的目标,用适应性更高的RGB颜色空间畸变模型进行阴影检测和消除,并进行高斯金字塔滤波和形态学滤波处理,以得到更好的前景目标。实验结果表明,该方法能提高算法的计算效率且准确地分割前景目标。     

基于混合高斯模型的运动阴影抑制算法

复杂场景的背景建模、运动目标检测、运动目标所投射阴影的检测与抑制在智能监控、机器人视觉、视频会议等领域有着广泛的应用。在运动前景检测阶段,给出了一种改进的混合高斯算法进行场景的背景建模,根据各点像素值出现的混乱程度采取不同的高斯函数参数更新机制,缓解了混合高斯算法计算量大的问题。在运动目标的阴影检测与抑制中,提出了一种基于混合高斯的阴影抑制算法,该算法先利用阴影在HSV颜色空间的特点,判断被检测为运动前景的像素是否为疑似阴影,然后用混合高斯阴影模型对所有疑似阴影值进行聚类,进一步完成阴影抑制。仿真结果表明：该算法可更有效地抑制阴影对运动目标检测的影响,并具有较强的实时性。     

一种基于多层背景模型的前景检测算法

动态场景中的前景检测是后继处理的基础和制约整个智能视频监控系统稳定性、可靠性的关键。为了在保证运动目标检测的基础上,进一步检测出前景中的静止目标并消除"鬼影(Ghost)",提出了一种基于多层背景模型的前景检测算法。该算法将背景分为参考背景和动态背景两层,分别采用单高斯和混合高斯模型进行背景建模。在线检测时,采用动态背景提取变化前景,用动态背景与参考背景之间高斯分布的差异提取静止前景,同时,通过逐层分析,比较输入像素与两层背景模型分布的相互关系,快速消除Ghost,降低虚警。实验结果表明,多层背景模型具有良好的检测性能和实时性,为后继跟踪、分类等处理提供了坚实的基础。目前,以该算法为核心构建了一个实时目标检测、跟踪系统,对图像大小为320×240的视频序列的平均处理速度达到15帧/s。     

自适应混合高斯建模的高效运动目标检测

目的 如何使快速性与完整性达到平衡是运动目标检测的关键问题。现有的满足快速性的算法容易受到光照的影响，对动态环境的适应能力较弱，获取的目标信息不完整，导致空洞问题的产生。而具有较高完整性的算法复杂度高，运算速度慢，实时性差。为此，本文提出基于自适应混合高斯建模的3帧差分算法。方法 利用3帧差分运算简单、可扩展性强、抗干扰能力好的特性，对视频图像进行目标轮廓的提取。针对3帧差分运算导致目标内部信息提取不完整的问题，采用学习率自适应调整的混合高斯背景差分，在模型创建之初，通过较快的模型更新速率，增加背景模型的迭代次数，消除物体运动造成的"鬼影"。在背景模型中的干扰信息消除之后，以目标像素及相邻8像素在当前帧与背景模型中的差异度为依据调整学习率，实现背景模型的自适应修正，增加目标图像的完整性；同时，通过删除冗余的高斯分布，降低算法复杂度。为进一步确保目标边缘的完整及连续，采用边缘对比差分算法，使参与运算的帧数依据目标的运动速度自适应选取，以降低背景点的误判率，使边缘信息尽可能地连续、完整。结果 本文算法获取的目标信息完整，且边缘平滑。在提升检测率的同时保证较高的准确率，达到了95.23%，所获目标的完整度提高了28.95%；与传统混合高斯算法相比，时间消耗降低了29.18%，基本达到实时性要求。与基于混合高斯建模的背景差分法（BD-GMM）和基于边缘对比的3帧差分法（TFD-EC）相比，本文算法明显占优。结论 实验结果表明，本文算法可以有效抑制动态环境的干扰，降低算法复杂度，既保证实时性，又具有较好的完整性，可广泛应用于智能视频监控、军事应用、工业检测、航空航天等领域。     

融合像素时空信息的背景建模方法

现有的背景建模方法通常只利用像素的时间或空间信息进行建模,降低了运动目标检测的准确性,针对这一问题提出一种融合像素时空信息的背景建模方法.分别在视频图像序列的时间、空间维度上对像素灰度值进行采样,建立像素的时间和空间背景模型;在检测运动目标的过程中对时间背景模型采用“先进先出”的更新策略,对空间背景模型采用随机的更新策略.实验结果表明,时空背景建模能有效地检测出运动目标,有效减少光线变化和摄像机抖动对检测结果的影响,较好抑制动态背景的干扰.     

融合帧差和Vibe的运动目标检测算法

Vibe算法是一种快速高效的背景建模算法,但该算法在运动目标检测过程中会产生鬼影。本文针对Vibe算法中鬼影消除缓慢的问题,结合多个场景的交通视频提出一种通过连续两帧前景背景像素时域变化来判断鬼影像素点并消除的方法,该方法加快了鬼影的消除速度。同时,对于视频拍摄场景中的背景噪声,采用了对前景图进行开闭操作去除小像素点以及对目标区域的空洞进行填充处理。实验表明,改进的Vibe算法能够加快鬼影的消除,并且与帧差法以及混合高斯建模算法相比,前景检测效果更精确。     

一种自适应运动目标检测算法及其应用

针对ViBe算法在动态背景下存在鬼影消除时间长、算法适应性差、前景检测噪声多的问题,本文提出一种基于ViBe算法框架的改进算法.该算法采用鬼影检测法标记第1帧中的鬼影区域,并向位于鬼影区域的背景模型中强制引入背景样本,从而快速抑制鬼影;在像素分类过程中,引入自适应分类阈值,解决全局阈值易受动态噪声干扰的问题;在背景模型更新中,根据像素分类的匹配值来动态决定更新因子,提高算法适应场景变化的能力.定性与定量的对比实验结果表明,本文算法相较于ViBe算法能够有效地检测动态背景下的运动目标,应用于河流漂浮物检测场景中也有较好的效果.     

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。     

复杂背景下改进视觉背景提取的前景检测算法

针对视觉背景提取模型存在的鬼影抑制效果差、动态背景适应能力不足等问题,本文提出了一种改进的视觉背景提取模型算法。在模型构建阶段,该算法充分融合时空域信息初始化背景模型,避免了样本的重复选取,提高了鬼影抑制能力;在像素分类阶段,根据背景动态程度,引入自适应距离阈值代替全局固定阈值,增强了模型对动态背景的适应性;在背景更新阶段,对连续多帧判定为前景的像素点进行阈值判断,并及时更新到背景模型,消除了运动背景与静止前景造成的虚影现象。多个公开视频数据的测试结果表明,本文算法相比典型算法在复杂背景下检测的准确性和鲁棒性都有了很大提高。     

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.     

一种基于像素抽样建模的车辆目标提取方法

针对传统背景建模算法初始化时间长、存在Ghost区等缺点,本文根据样本一致性原理,提出一种基于像素抽样的背景建模方法。初始化阶段利用历史像素序列多次采样构建背景模型;模型更新采用改进的ViBe算法,同时更新历史像素模型和ViBe背景模型;前景检测时,利用样本一致性原理,将源像素同时与两个模型作比较,获得目标。对比实验表明,与Vibe原算法及传统目标提取算法相比,本文算法在有运动目标存在的情况下,初始化效率较高,并且有效抑制Ghost区,低速目标检测效果良好。     

基于时空分布的混合高斯背景建模改进方法

针对传统的混合高斯模型对动态背景敏感、缓变目标检测不准确等问题,提出了一种基于时空分布的混合高斯建模改进方法。该方法的基本思想是混合高斯背景基于时间分布信息建模的同时,通过随机数生成方法对邻域进行采样,完成像素空间分布的背景建模;同时利用像素历史统计信息和决策融合机制的前景检测方法,实现对静止目标判定以及前景运动目标更精确的提取。最后,将此算法与其他前景检测方法进行对比实验,表明了该算法对动态背景鲁棒性强、缓变目标检测准确的结论。     

基于直方图匹配的鬼影检测算法

本文研究了背景差方法检测运动目标经常出现的鬼影问题,通过分析前景块边缘区域像素分布,提出了鬼影检测算法。首先,用直方图匹配和平均变化率来衡量前景块边缘区 域的像素分布在当前图像与前帧图像之间的差异;其次,也用直方图匹配来衡量当前图像中前景块边缘区域和与它邻接的背景区域像素分布之间的差别;最后,利用阈值分割割确定直方图匹配极高和平均变化率极小的鬼影块。实验结果表明,本文提出的算法可以快速有效地检测并去除鬼影,同时克服了已有鬼影算法的缺陷。     

改进的应用于交通场景的运动目标检测方法及质量评价*

针对ViBe算法在交通视频检测中出现明显鬼影区域、缓慢目标残影难以消除、检测精确度和鲁棒性不足的问题,本文提出改进算法,利用灰度信息为像素建立生命长度矩阵,使鬼影或残影快速融入背景样本得以消除。结合最大类间方差法设置自适应阈值,加入良好后处理抑制动态噪音。同时本文借鉴分类算法的统计指标,提出质量评价多个要素,以ViBe原算法、混合高斯算法(GMM)、LBP-OTSU相结合的背景差分法和本文改进算法为例,定性、定量对实验结果作出质量评价和分析。实验表明,改进算法在较少帧数内去除了鬼影,抑制了运动目标残影,提高了运动目标检测的准确度和整体性能。