自适应的SILTP算法在运动车辆检测中的研究

为了提高复杂背景下运动车辆的检测效率,结合SILTP算法提出了一种自适应的SILTP算法。首先,对运动车辆图像进行二维离散小波变换,提取出两次低通滤波后的图像。其次 ,通过自适应的SILTP算法获得图像的纹理信息。然后,利用高斯混合模型进行背景建模,进而利用新图像的纹理信息动态更新背景。最后,与背景模型进行比较来获得运动车辆。对公路上运动车辆的测试表明,该检测算法在复杂背景尤其是树叶抖动等情况下能够取得较高的检测率,具有良好的自适应性。     

基于均匀尺度不变局部三元模式的背景建模及其在Intel HD显卡上的并行实现

针对尺度不变局部三元模式(SILTP)背景建模算法复杂度较高、计算速度较慢,不利于高速视频处理的问题,提出了一种新的均匀尺度不变局部三元模式(USILTP)背景建模并行算法。首先,通过规范SILTP编码的跳变次数得到USILTP纹理特征,实现了SILTP特征降维;其次,设计并实现基于英特尔核芯显卡(Intel HD)及开放式计算语言(OpenCL)的USILTP背景建模并行算法,进一步加速了USILTP背景建模算法;最后,通过融合多颜色通道模型结果,优化了USILTP背景建模算法的前景效果。实验结果表明,在Intel HD 4600上处理320×240分辨率的视频,该算法将速度提升至98 frame/s,比SILTP背景建模算法快4倍;在前景检测方面,该算法在背景公开数据库上的性能比SILTP背景建模算法提升了2.1%。     

一种融合ViBe与多特征提取的微动目标检测算法

为实现前景微动目标的准确提取,克服提取过程中的高误检率等难题,对CbCr分量、RGB和SILTP特征建立背景模型,提出一种融合多特征的ViBe背景建模改进算法。首先引入LBSP算子,改进LBP-TOP纹理编码方式,利用得到的纹理特征计算当前帧的时/空域前景概率,从而建立起接近真实背景的CbCr背景模型;然后结合局部像素复杂度和3种特征的变化情况改进ViBe判别与更新方法,利用背景减除和形态学处理得到完整的前景目标进行背景替换。实验结果表明,所提算法能有效分割视频图像中的微动目标并实现背景替换。     

W4理论在道路交叉口视频监测中的应用

在智能交通视频监控系统中,由于交通路口车辆多、车速不定且外界环境光线变化等诸多因素造成不能很好地检测到运动目标。将W⁴算法应用到道路交叉口的视频监测中,该算法首先利用中值法进行初始化选出静止像素集合,并利用静止像素构建背景参数模型,同时建立基于像素级和基于目标级的背景更新模式。通过仿真验证该算法能够在路口比较复杂的情况下很好地检测到车辆,与传统的方法相比检测的准确度有了较大的改进。     

一种基于纹理和颜色置信融合的运动目标检测方法

针对运动目标检测中单特征背景模型存在的局限性,如基于颜色特征的背景模型对光照和阴影敏感,基于纹理特征的背景模型易产生空洞,提出了一种以置信度融合RGB颜色特征和SILTP(Scale Invariant Local Ternary Pattern)纹理特征的运动目标检测方法。以像素点SILTP纹理信息值和RGB颜色信息值及他们各自的置信度构建背景模型。分别计算当前像素点与背景模型的纹理差异度和颜色差异度,通过置信度融合的方法计算当前像素与背景模型的总体差异度,以达到更好的融合效果。采用ViBe算法的更新策略更新背景模型。通过前景像素点8邻域内的背景像素点的统计方法去噪点。wallflower和Data2014数据集上的实验结果表明,所提出的融合方法能有效抑制阴影,对光照有良好的鲁棒性,在复杂动态背景下能取得良好的效果。     

视频图像中的运动目标检测

视频图像中的运动目标检测是计算机视觉领域的重要研究内容。文章提出了一种基于背景差分的运动目标检测算法，采用高斯模型描述每一被观察的像素，建立自适应背景模型，运动检测后对图像进行阴影检测和噪声去除，消除背景扰动、阴影等带来的影响。实验结果表明该方法是有效的。     

基于背景估计的运动检测算法

为了有效检测出运动目标静止后的轮廓和抑制视频抖动给运动检测带来的影响,提出了基于背景估计的运动检测算法。采用带模板遮罩的背景更新策略来避免目标前景区域被更新,同时根据纹理相似性,对目标遮挡区域的背景进行估算,使得在光照变化下遮挡区域得到同步更新。通过视频稳定算法得到全局运动参数和局部运动参数,然后利用全局运动参数稳定视频,利用局部运动参数作为运动目标检测的输入,最后利用高斯模型来检测运动目标。通过对多段抖动视频做实验,结果验证了该算法的准确性和有效性。     

基于像素层背景模型的复杂场景运动目标检测

为了从复杂变化背景中鲁棒地检测、提取运动目标,提出一种基于像素层背景模型的运动目标检测算法。该算法采用快速均值漂移方法将背景帧上具有相同统计特性的像素划分为一个像素层,背景模型从而被表示为一组像素层,通过与邻域像素对应的层匹配来检测运动前景像素。实验结果表明,该方法可以实时、准确地检测运动目标,特别是在摄像机颤动等原因造成的背景时域不规则变化情况下,比经典的基于混合高斯背景模型的方法具有更好的检测效果。     

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。     

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.     

基于RGB颜色空间的减背景运动目标检测

在计算机视觉领域中,运动目标检测与分割是一个基础而又关键的问题.减背景法是其中一个比较经典和常用的方法,其难点在于如何获取背景以及实现背景的自适应更新.针对该问?提出一种基于RGB颜色空间的运动目标检测算法,充分利用了图像序列在RGB空间中的变化特点,首先通过抽取帧图像进行背景重构,即对图像序列中每个像素点的RGB值进行排序后取中间值作为该点背景像素的RGB值;在此基础上引入学习率对背景进行自适应更新,然后在RGB空间中进行前景目标提取,最后利用数学形态学和连通性分析对结果进行后处理.实验结果表明,该算法快速有效、能够满足实时要求.     

Kalman滤波在运动图像背景提取及更新中的应用

结合了运动图像处理的特点,选用了一种基于Kalman滤波理论的时域递归低通滤波来进行背景提取和背景更新.为了提高该算法的自适应性,采用了背景因子和运动因子的概念,并应用于隧道监控系统中,取得了较好的结果.     

Robust background maintenance by estimating global intensity level changes for dynamic scenes

The maintenance of relevant backgrounds under various scene changes is very crucial to detect foregrounds robustly. We propose a background maintenance method for dynamic scenes including global intensity level changes caused by changes of illumination conditions and camera settings. If the global level of the intensity changes abruptly, the conventional background models cannot discriminate true foreground pixels from the background. The proposed method adaptively modifies the background model by estimating the level changes. Because there are changes caused by moving objects as well as global intensity level changes, we estimate the dominant level change over the whole image regions by mean shift. Then, the problem caused by saturated pixels are handled by an additional scheme. In the experiments for dynamic scenes, our proposed method outperforms previous methods by adaptive background maintenance and handling of saturated pixels.     

红外弱小目标检测中的相邻背景预测算法研究

红外弱小目标检测的关键问题是背景预测,背景预测的好坏直接关系到红外目标的提取。考虑背景预测过程中,待预测像素仅仅和相邻像素相关,提出了一种相邻背景预测的算法,并针对背景起伏和平缓情况进行详细的分析。实验结果表明无论是在背景起伏较小的图像,还是在背景起伏较大的图像,该算法都具有良好的目标检测性能。     

一种新的背景模型建立及更新方法*

提出一种新的建立背景模型和更新背景的方法。首先使用一种新颖的方法建立初始背景,然后对每一输入帧使用背景差分法获得前景,并利用分类器将前景分类为运动目标、静止目标、虚假目标、噪声,最后在背景更新阶段采用基于前景目标的背景更新方法。实验结果表明,该方法能建立可靠初始背景,并能有效地解决背景更新“死锁”问题,增强背景模型的鲁棒性。     

一种基于对称差分和背景消减的运动检测方法

该文提出一种综合利用对称差分和背景消减来进行运动检测的方法。首先通过建立一个可靠的背景更新模型,由背景消减法得到基本准确的前景图像,然后和对称差分法得到的差分图像综合,得到完整可靠的运动目标图像,最后用形态学滤波和连通区域面积检测进行后处理,以消除噪声和背景扰动带来的影响,并用区域填充算法来填补目标区域的小孔,从而将视频序列中的运动目标比较可靠地检测出来。实验结果表明,该方法快速、准确,有一定的实际应用价值。     

一种改进的高斯混合背景模型算法及仿真

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,高斯混合模型参数估计和更新算法影响到背景模型的性能.文中对传统的高斯混合背景模型进行了改进,针对背景局部运动、活动阴影等问题,采用混合色彩值抑制阴影,在背景更新中引入一个"前景支撑映射"(Foreground Support Map, FSB),较好地解决了背景模型的提取、更新、背景扰动、外界光照变化等问题.实验结果证明,实验结果验证了该方法的有效性和在复杂背景变化下的鲁棒性.     

如何在PowerPoint中插入背景音乐

本文基于对多媒体教学课件设计和制作步骤,通过对制作“背景音乐”涉及的技术的探讨,结合实际制作经验,总结整理了两种在PowerPoint中插入背景音乐的方便快捷的方法。     

一种DWT与背景重构相结合的运动目标分割方法

针对视频处理中数据量大、消耗时间长的缺点,在假定"背景像素总是以较高的频率在图像序列中出现"的前提下,提出了一种新的运动目标分割方法。首先将待处理的视频图像序列经过DWT变换(Discrete Wavelet Trans-form)提取其近似分量,然后利用像素点聚类方法,结合双阈值和相似类合并,选择一段时间内频率出现较高的像素值来重构背景,最后借鉴图像匹配的评价标准来验证重构背景的准确性。实验结果表明,该方法能提取出较好的背景,从而实现对运动目标的高效且完整分割。     

FORTH后台任务——时钟实用程序的改进

本文概述了FORTH多任务系统的使用规则和介绍了LMI公司PC/FORTH 2.0版本中的后台时钟任务的改进,避免了运行中对打印输出,屏幕编缉和汉字图形模式的干扰。