车辆检测系统中背景提取与更新算法研究

为了提高车辆检测系统的车辆识别率,本文提出一种改进的Surendra背景更新算法,并在不同的环境下与系统原来使用的多帧图像平均背景更新算法进行实验比较。实验结果表明,新改进的Surendra背景更新算法比老算法有较明显的综合优势,能够荻取准确的背景,并可有效地进行背景更新,从而提高车辆识别率。     

视频监控中背景的提取和更新算法

获取高质量的背景图像是在背景消减法中决定目标提取效果的关键。针对传统方法存在的问题,从实际情况出发提出一种改进的背景提取和更新算法,并在Matlab环境下进行仿真,仿真结果显示该算法具有良好的性能,说明它对于各种外部因素的影响,如光照变化、阴影、目标遮挡等,具有很强的适应能力。     

一种有效的道路背景提取与更新算法

针对复杂环境中道路背景图像的快速获取问题,提出了一种快速有效的道路背景提取和更新算法。应用改进的多帧平均算法提取背景,采用改进的Surendra算法对背景进行更新。实验结果表明,该算法能够减轻初始静止车辆对背景建立的影响,能及时消除由于初始帧中目标移动而造成的鬼影,对光线变化鲁棒性高、速度快、更新效果好。     

快速背景提取及更新算法

定点DSP浮点运算效率低、存储空间有限,应用传统的背景提取与更新算法时,检测速度慢、实时性差。针对该问题,利用相邻视频帧的时间相关性,根据背景像素灰度以最大概率出现在视频序列中的假设,提取初始背景参考帧。在背景更新环节,对原始背景与当前图像像素赋予不同的权值,并且基于移位运算得到新的背景。在TMS320DM642定点DSP上所做的实验表明,该算法可以满足帧率为25 FPS下的实时应用。     

一种新的道路背景提取及更新算法

提出一种新的基于颜色模式的道路背景提取及更新算法.通过计算一段时间内视频图像的颜色模式来提取背景图像.为了避免了环境光的扰动对背景图像的影响,引入量化后的颜色模式的计算公式,增强了算法的鲁棒性.通过计算当前图像和背景图像以及上一帧图像的差分,得到不变区域更新背景.实验表明,本算法对光线变化鲁棒性高、速度快、更新效果好.     

改进视觉背景提取模型的运动目标检测算法

针对视觉背景提取模型对动态场景适应性不强、运动目标检测精度低等问题,提出一种改进的视觉背景模型算法.在模型建立与初始化阶段,采用按序抽取的方法将像素点本身信息加入到背景模型中,形成邻域背景模型,降低复杂场景对模型的影响;在前景检测阶段,结合像素点的空间邻域信息自适应地获取分割阈值,减少各类复杂场景对检测结果的干扰,提高运动目标检测的精度;在背景更新阶段,根据场景复杂度动态地调整模型的更新周期与更新方式,使得模型能够有效地消除虚影与背景噪声的影响,增强模型对复杂场景的适应性与鲁棒性.与典型算法进行对比的实验结果表明,该算法具备较高的检测精度,适用于动态场景中的运动目标检测.     

基于改进Jung方法的实时背景提取算法

结合帧间差分信息和Jung背景提取算法,提出了一种改进的用于运动目标检测的实时背景提取算法。该算法利用视频连续图像帧之间的差异信息加速背景更新过程,提取的背景图像能够快速适应背景中物体的变化,同时保留了基本Jung背景提取方法结构简单、运算速度快的特点。在PETS2001数据集上对本算法进行了有效性验证,实验结果表明,该算法可以实时准确地提取背景图像。     

一种改进的背景提取算法

背景提取,是利用背景差分法获取目标的重要步骤。针对传统背景提取算法需要处理大数据量的问题,本文算法在传统背景提取算法的基础上,利用一段时间内,相邻图像相同位置的灰度值基本处在同一平稳区间的原理和思路,通过对小数据量的多次操作来获取背景图像。实验结果证明,这种做法可以在使用较少内存使用量的基础上获得比较好的效果,并可快速有效地对背景进行更新。     

基于帧间差分的背景提取与更新算法

当运动目标较多时,时间平均法提取的背景存在模糊和拖影现象。为此,提出一种基于帧间差分的背景提取与更新算法。该算法采用基于像素级和帧级的多级自适应背景更新策略,能够克服光线缓慢变化和剧烈变化对背景的影响,并及时消除由于物体移入和移除产生的鬼影。实验结果表明,该算法能快速有效地对背景进行更新,提取的背景图像效果较好。     

车辆检测中的自适应背景更新算法研究

针对采用传统背景差法检测运动车辆时很难实现背景自动更新的问题,采用了快速自适应背景生成算法,并考虑到背景有缓变和突变两种情况,引入最小均方误差（MMSE）估计理论进行判断,针对不同的情况采取相应的算法实现背景更新。实验数据表明：采用该方法较以往准确性大大提高,同时达到了自适应背景更新的目的,并且算法实现简单,实时性较高。     

一种有效的动态背景提取及更新方法

为了从复杂环境中获取高质量背景图像,提出一种基于帧间差分和背景减除法相结合的背景提取算法,采用多层次自适应背景更新的策略,能够克服新增物体对背景的影响,并能及时消除由于背景物体移出而造成的鬼影。实验证明该算法对光线变化鲁棒性高、速度快、更新效果好。     

面向实时交通视觉监控的综合动态背景更新方法

为了从复杂的交通场景中获取高质量的背景图像，提出了一种综合的动态背景更新方法。同时使用了帧差信息和提取的高层对象状态信息对混合高斯背景模型进行选择性更新，克服了因较长时间停车对背景的影响，并能及时消除由于背景物体移出造成的鬼影。对实时交通视频的处理效果表明，该方法兼具良好的自适应性与鲁棒性。     

基于区间分布密度的背景初始化方法

为了从有运动物体存在的监控视频中提取初始化背景,提出一种基于区间分布密度的背景建模方法。首先将背景训练序列中所有像素点的灰度值按大小归类,然后通过计算区间分布密度筛选出包含背景信息最为完整的灰度区间,完成背景初始化。考虑到初始背景的提取可能受到部分图像光线突变的影响,在背景建模之前采用最小均方误差理论对背景训练序列进行突变检测。实验结果表明,该方法简单易行,可以排除光线的干扰,具有较好的适应性,能够在较短时间内得到较为逼真的初始背景。     

基于高斯背景模型的车辆检测改进算法

针对车辆检测中实时性、准确性以及自适应性很难兼顾的问题,提出了一种快速有效的车辆检测算法。该算法采用阈值判定背景区域和更新区域,根据背景变化的程度,利用动态权值更新学习率,使用基于单高斯背景模型方法,结合逻辑"或"运算检测出车辆。实验结果表明,该算法能够快速准确地检测出车辆,并且在背景更新过程中实现了自适应,并具有一定的鲁棒性。     

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。     

基于背景自适应更新的车辆阴影检测算法

对基于视频的交通流量参数检测及交通路口控制方法而言,车辆检测是很关键的一步,但是由于车辆阴影的客观存在,经常会造成汽车数量的误检。本文在背景自适应更新的基础上,对阴影建立了模型并对检测算法进行了改进,以提高车辆检测精度。     

一种基于分类的复杂场景背景更新算法

提出了一种基于分类的背景更新算法。对现有模板进行改进,提出一种生长模板来对差分图像中的目标点和噪声点进行检测。生长模板根据像素点局部特征自动选择生长方向,从而对目标点和噪声点进行判断。利用基于像素的背景更新策略,实现了目标遮挡区域的背景更新。实验证明了生长模板的有效性,该算法可以在复杂场景下实现背景更新。     

一种改进型Canny联合阈值分割的图像背景去除——在外观专利图像检索中的应用

背景去除是外观专利图像检索中图像预处理的重要归一化步骤,针对外观设计专利图像库中图像背景多样性、复杂性和随机性的特点,提出了一种改进型Canny算子联合阈值分割的图像分割算法。通过对图像颜色采样的自适应阈值分割获取阈值,联合Canny算子和形态学方法对图像生成前景物体分割模板,从而有效去除背景信息。实验证明,与改进前的图像分割算法对比,该算法得到的前景物体轮廓更加精确;针对外观专利图像检索平台中的图像分割,该算法具有很好的自适应性。