基于混合高斯模型的运动目标检测算法

针对智能交通系统中运动目标检测阶段存在的不足,提出了一种基于自适应混合高斯模型(GMM)的改进算法。将隔帧差分的方法引入背景建模的初始判别阶段,从而迅速地检测出运动变化区域,提高了算法的灵敏度,同时也增强了对缓慢运行车辆的检测的适用性;将划分出的背景及运动区域赋予不同的更新率,使得背景显露区域得到迅速恢复,消去了运动车辆留下的"影子"。在此较为精确的背景模型下,结合灰度和canny边缘特征进行背景差分,有效地保留了与背景灰度相似的运动目标的轮廓。通过实验证明该检测算法取得了较好的效果。     

基于高斯混合模型的背景建模球员检测算法

在研究体育视频的问题中,针对现有的运动目标检测方法在体育视频中易受场景变化的影响不能准确检测出运动员,提出了基于高斯混合模型的背景建模的检测算法,并应用于足球视频的球员检测.该算法首先通过预处理操作构建较为静态的背景,并将背景模型作为高斯模型的初始化参数;在模型更新中,通过相邻两帧差分处理,区分出图像变化的区域和未发生变化的区域,不同区域以不同更新率加入到背景帧,更快地实现背景重建;最后通过背景差分实现球员检测.实验结果表明,在场景不规则变化的足球视频中构建的背景有较好的自适应性,球员检测效果不错.     

改进的基于混合高斯模型的运动目标检测算法

针对传统混合高斯模型检测运动目标中存在的不足,提出了一种改进的基于混合高斯模型的运动目标检测算法。将改进的混合高斯模型与四帧差分相结合,有效地解决了突变光照的影响并消除了传统帧差法检测目标时容易出现的双影现象,改进的混合高斯模型自适应地调整了高斯模型的分布数量,提高了背景的描述精度。分情况讨论了物体的运动状态并分别设置不同的学习率,改善了对运动缓慢目标的检测效果。实验结果表明结合后的算法能对运动目标进行准确检测,对复杂场景有较好的适应性。     

基于高斯混合PHD滤波的多目标跟踪

多目标的跟踪的主要目的是通过一个存在关联不确定性、检测不确定性以及噪声和虚警的观测序列集,联合估计目标数目和目标状态.传统的多目标跟踪算法中的数据关联算法计算量大不易实现,而基于随机集的PHD滤波算法可避免数据数据关联问题,直接估计目标状态.本文针对目前PHD递推算法难以获得闭和解的问题,阐明了在目标运动模型和新生强度都是线性高斯模型的情况下,每一时刻的后验强度都是高斯混合的.进而推导出表示后验强度的高斯成分的均值,方差和权值的递推方程.由仿真结果可以看出在非线性高斯情况下,本算法对多目标有良好的跟踪性能.     

基于混合高斯模型与码本算法的前景目标检测

提出一种基于混合高斯模型(GMM)与码本算法的前景目标检测方法。利用GMM进行背景图像建模并初步提取前景对象,对背景图像进行码本学习,将码本建模得到的前景对象与GMM得到的前景对象相融合,根据前后2次帧间差分得到前景对象的比例关系,自适应地更新高斯参数和扩展码字,得到前景对象目标。实验结果表明,该方法实时性好,可消除视频序列中的阴影和鬼影,提取完整的前景对象。     

基于帧差分块的混合高斯背景模型

针对混合高斯背景模型计算量过大、对复杂场景的适应能力较差等问题,提出了一种基于帧差分块和自适应学习率的混合高斯背景模型改进算法。引入分块模型思想,有效结合了像素的空域信息;根据帧间差分结果,判断可疑前景区域和背景区域,提高了检测灵敏度;针对前景可疑区域采用复杂模型,保证运动目标检测的精度,反之采用简单模型降低计算量;通过自适应学习率,加速背景的形成与消退。实验结果证明该算法较好地兼顾了检测精度和计算代价。     

多目标跟踪的混合高斯PHD滤波

为解决目标数未知或随时间变化时的多目标跟踪问题,将多目标状态和观测信息表示为随机集的形式,建立了多目标跟踪的混合高斯概率假设密度（PHD）滤波方法。当目标初始的先验概率密度满足高斯分布的形式时,通过将状态噪声、观测噪声、目标的繁衍、新目标的产生、目标的存活概率和检测概率表示成混合高斯的形式,之后每个时刻的后验概率密度均能表示成混合高斯的形式。线性混合高斯PHD滤波方法将Kalman滤波引入到PHD滤波中,利用混合高斯成分预测和更新随机集的PHD,并估计出目标的状态。实验结果表明,在杂波环境下混合高斯PHD滤波方法可以有效地跟踪目标状态。     

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。     

基于差分进化算法的高斯混合模型参数估计

EM算法用于高斯混合模型参数估计时,具有对初始值敏感、易于陷入局部极小等缺点。将差分进化算法引入高斯混合模型参数估计问题,提出一种基于差分进化算法的高斯混合模型参数估计方法。该方法直接对模型参数进行编码,待优化目标函数简单且物理意义明显,具有算法实现容易、运行效率高及收敛速度快等优点。实验结果表明。新方法具有很强的全局搜索能力,参数估计精度更高、更稳定。     

基于改进的混合高斯模型的目标检测

混合高斯模型已经广泛应用于背景建模中,但是结果受到噪音的干扰和光照突变的影响。为了解决这个问题,将Stauffer的混合高斯模型进行改进,当帧间差分判断出场景变化时,每个像素点的学习率会随着变化。由于边缘图像受到噪音干扰小,将这种改进的混合高斯模型也应用在边缘图像中,来提取边缘前景。边缘前景膨胀后,通过原图像的前景和边缘前景的与运算,得到最后的结果。实验结果表明,可以很好地去除噪音和解决光照突变的影响,提高了目标检测的效果,比传统方法更加有效。     

高斯混合粒子PHD 滤波被动测角多目标跟踪

为解决目标数未知或随时间变化的多目标跟踪问题,通常将多目标状态和观测数据表示成随机集形式,并通过递推计算目标状态联合分布的概率假设密度(PHD)来完成.然而,对于被动测角的非线性跟踪问题,PHD无法获得闭合解,为此提出一种新的高斯混合粒子PHD算法.该算法利用高斯混合近似PHD,以避免用聚类确定目标状态,并采用拟蒙特卡罗(QMC)积分方法计算目标状态的预测和更新分布.仿真结果验证了所提出算法的有效性.     

混合高斯模型与CamShift算法结合的台球跟踪方法

传统的CamShift跟踪算法是基于颜色信息的算法,这种算法在背景与目标颜色相近时会出现跟踪不准确的情况,而且不能自动跟踪.针对这两个缺点,本文结合混合高斯模型来对这一跟踪算法进行改进,通过混合高斯模型来实现对运动目标的检测得到目标的轮廓,将图像处理中的形态学变换应用到目标轮廓检测过程中,可以得到更好的检测结果和目标轮廓.对检测的目标再利用CamShift算法进行跟踪,在程序中引入Kalman预测算法,对目标的位置进行估计,提高跟踪的准确性,实验结果表明了这种方法的有效性,实现了对多目标的自动跟踪.     

改进混合高斯模型的运动目标检测与跟踪算法

针对混合高斯模型的运动前景更新难题,为了提高运动目标跟踪精度,提出一种改进高斯混合模型的目标检测与跟踪算法;首先提取目标特征建立目标分类器,并将目标从前景标记出来;然后通过多目标跟踪将目标分为多种运动模式;最后采用高斯混合模型对目标进行跟踪与分类,并采用仿真实验测试算法的性能;结果表明,文章算法不仅提高了目标检测与跟踪精度,而且可以满足目标跟踪的实时性要求.     

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%.     

高斯混合模型结合加权似然的目标跟踪算法

鉴于高斯混合模型对背景变化快时无法精确检测出目标和目标跟踪的适应性差等瑕疵，提出了基于加权似然跟踪器来改进高斯混合模型实现运动目标跟踪算法。主要引入了自适应高斯混合模型来实时检测运动目标，然后空间加权似然来进行视频中的目标定位，引入加权似然期望值来改进高斯混合模型处理视频中的多尺度、多角度变化的目标跟踪不精准问题。通过VOT 2014 dataset对比实验结果表明提出的基于加权似然跟踪（Weighted Likelihood Tracking，WLT）和改进高斯混合模型（Improved Gaussian Mixture Model，IGMM）的目标跟踪算法较传统高斯混合模型跟踪算法在跟踪的精度有较大提高。在应对多尺度、多角度变化的目标跟踪表现出了较大的优势。     

基于混合粒子PHD滤波的多目标视频跟踪

针对可变数目多目标视频跟踪,粒子滤波不能持续维持目标的多模态分布问题,本文提出一种混合粒子概率假设密度(PHD)滤波的多目标视频跟踪算法.该算法首先用K-means算法对粒子进行空间分布聚类,给各粒子群附加身份标签,使各粒子群分别对应混合粒子滤波的各分量,采用相互独立的各分量粒子滤波跟踪各目标,这样提高了目标状态估计的准确性,也能有效维持各目标的多模态分布.实验结果表明,该算法能有效处理新目标出现、合并、分离等多目标跟踪问题.     

基于协方差的高斯混合模型参数学习算法

对混合高斯模型参数估计问题的算法通常是基于期望最大(Expectation Maximization)给出的。在混合高斯模型的因素协方差矩阵已知、因素各分量独立的前提下,给出了基于协方差矩阵的机器学习算法,简称CVB(Covariance Based)算法,并进行了一定的数学分析。最后给出了与期望最大算法的实验结果比较。实验结果表明,在该条件下,基于协方差的算法优于期望最大算法。     

基于EM算法的高斯混合模型参数估计

讨论在一般的混合分布条件下,用EM算法,在最小熵原理的优化准则下的数据拟合问题。简单推导有限混合高斯分布的EM算法,并针对其收敛速度慢的缺点设计一种有效的选取参数初始值的方法。实验结果表明,该方法有助于EM算法以较快的速度在参数真值附近收敛。     

一种改进的基于混合高斯模型的运动目标检测算法

运动目标检测是实现目标跟踪和行为分析等任务的基础。在运动目标检测中,消除背景与噪声的干扰,从而将运动目标从图像中分离出来一直是研究的重点。混合高斯模型法被广泛地应用于运动目标检测,对存在小幅度运动的背景有较好的抗干扰能力,并且能提取出较完整的运动目标,但是同时存在噪声干扰,且对阴影抑制效果较差。针对传统混合高斯模型法的不足,提出一种改进的基于混合高斯模型的运动目标检测算法,利用帧差法对光照突变适应性较好和算法简单的特点,将传统混合高斯模型法与和四帧差法结合。实验结果表明,该方法能够有效地消除复杂环境中的噪声,并对阴影有一定的抑制作用,提高了运动目标检测的准确性和完整性。