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。     

复杂背景下人体骨架的提取

在计算机视觉领域，人体运动分析的研究具有广泛的应用前景。由于人体运动的复杂性，已有的研究方法对人体和背景加上了许多限制条件。本文提出了一种新的方法在复杂背景下来获得人体的骨架。     

改进视觉背景提取模型的前景目标检测算法

针对经典视觉背景提取算法（ViBe）在动态背景场景下检测精度不高,以及长时间存在鬼影的问题,提出一种改进的视觉背景提取算法.该方法在背景模型初始化阶段考虑到像素点之间的颜色相似性以及空间距离,选取像素点邻域内的同质像素点对背景模型进行初始化;根据场景动态程度自适应调整每个像素点的阈值以及背景模型更新的速率,改善了在动态背景场景下的检测精度;根据光流判断像素点是否存在运动来把真实前景目标和鬼影区分开来并及时对背景模型进行修正,从而尽快消除鬼影现象.使用changedection测试集进行测试,改进后的ViBe算法在能提取到较完整前景目标的同时,检测准确率相比原始ViBe算法也有所提高.     

慢运动背景下运动目标提取算法*

提出一种慢运动背景视频序列下基于帧间背景图像匹配的运动目标检测和提取算法。该算法首先使用仿射变换模型来描述慢运动背景图像的运动变化,并使用基于光流约束方法求解该仿射变换模型参数,实现了相邻帧间图像的背景匹配;其次,采用背景匹配后的两帧图像差进行目标检测,使用自适应二值化区分变化与未变化区域;最后,使用形态学等图像算法进行后处理提取运动目标。算法经实验证明,在背景慢运动情况下可以有效地提取出运动目标。     

复杂背景下实时运动手指提取及指尖检测方法

基于视频的人机交互是实现机器智能化的一个重要研究领域。本文提出了一种简单有效的复杂背景下的实时的指尖检测方法。基于运动手指图像全局灰度变化特征,本文提出了一种的快速有效的前景分割方法,提出了一种基于连通区域检测的背景更新方法,提出了一种基于模板匹配的手指尖检测方法。实验表明在本系统在各种室内复杂背景条件下能有效的适应背景变化,并能较准确的检测到运动指尖。     

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.     

改进的道路背景提取和更新算法

现有算法对长时间含有静止车辆的视频序列进行背景提取和更新时效果不甚理想,为此提出一种改进的道路背景提取和更新算法。通过统计一段时间内视频帧中各像素值所属区间来提取背景图像,结合边缘检测算法分析持续变化的区域,解决背景更新中存在的当前背景图像中含有静止车辆的问题。实验表明算法可以很好地适应实际应用中的复杂情况,准确性有了明显提高,且算法实现简单,实时性较高。     

一种用于运动物体检测的自适应更新背景模型

提出一种能自适应更新的背景模型,使得运动物体检测中场景变化时提取的背景能进行相应的更新.该模型利用特征点信息将场景中的像素点分类,并针对不同类别像素点计算其更新速率;然后对像素点采用相应速率进行更新,从而能根据场景不同变化进行自适应更新.实验结果表明,该模型能较好地处理混合高斯模型因采用同一更新速率导致的背景模型更新错误问题.     

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。     

视频序列中自适应背景的运动目标提取

在视频序列的运动目标实时检测中常用的方法是背景差分法,但因背景图像未随监视场景光照变化及时更新而限制了本方法的适应性.对此,本文首先提出了一种自适应背景更新方法,得到差分二值图像;然后引入散布函数准则计算出差分图像的最佳分割阈值,实现运动目标的自适应阈值分割.实验结果表明:本文提出的背景更新方法可随着光照条件的变化实时、准确地更新背景图像,在此基础上提出的基于散布函数准则的自适应阈值分割方法可以实现运动目标的完整分割,这为运动目标的后续识别与理解奠定了基础.     

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.     

稳定背景下PSD的位置误差分析

从ＰＳＤ的基本方程Ｌｕｃｏｖｓｋｅｙ方程出发，推出了反偏状态下的ＰＳＤ在有稳态非均匀背景光照射下微分方程，并给出了其在双面分流型边界条件下的正规解，从而得出了ＰＳＤ在稳态非均匀背景光照射下的位置输出特性。最后还建立了背景光影响下的位置误差估算公式。     

一种改进的混合高斯背景模型

针对经典混合高斯模型无法识别静态目标的问题,提出一种改进算法。通过加入了参数还原算法,并引入一个反馈调节环节,可以避免静态前景被学习进入背景。当目标停留超过预定帧数时,目标所覆盖的每个像素点的K个高斯函数进行参数还原,避免了目标被更新为背景的一部分。实验结果表明,提出的改进模型,不仅能检测长时间静止目标,而且能识别多模态背景。     

交通场景中基于彩色视觉信息统计的背景建模

研究分析目前主流的背景建模方法,并针对动态交通场景中车辆目标持续运动．背景出现的概率较大的特点,提出一种基于彩色视觉信息统计的背景建模算法。实验结果表明．该算法可以较好地提取背景,并有效区分前景和背景。     

交通场景中基于彩色视觉信息统计的背景建模

研究分析目前主流的背景建模方法,并针对动态交通场景中车辆目标持续运动,背景出现的概率较大的特点,提出一种基于彩色视觉信息统计的背景建模算法。实验结果表明,该算法可以较好地提取背景,并有效区分前景和背景。     

基于混合高斯模型的目标差分自适应背景模型

提出一种自适应背景更新率的方法。在混合高斯背景模型基础上。通过混合高斯匹配将前后两帧分割出的运动目标作差分。差分后再次采用混合高斯匹配分辨出过去目标区和当前目标区。在背景更新的过程中,加大过去目标区的更新率,让运动目标在出现停滞状态时给背景模型带来的干扰区域得到快速恢复。试验结果表明,该方法有效地提高背景模型的鲁棒性。     

基于自适应背景模型的步态检测与识别

提出了一种基于自适应背景模型的快速背景提取及步态检测的方法,并且利用傅里叶描绘子对步态轮廓图像进行描述,进行数据维数压缩,得到匹配模板,用最近邻法进行分类识别。该算法在NLPR步态数据库上取得了较高的识别率。     

基于动态图像序列的运动目标检测与跟踪

运动目标的检测与跟踪在智能监控和车辆导航领域中得到了广泛的应用。该文提出了基于统计背景模型和α-β-γ滤波模型的运动目标检测和跟踪算法。在此方法中,首先建立背景的高斯模型,然后检测出场景中的运动目标,最后在目标检测的结果上,采用α-β-γ滤波器对检测出的运动区域进行运动参数估计,进而跟踪出运动目标的轨迹。实验表明,该方法能够有效地分割出序列图像中的前景目标,并提高了目标跟踪的稳定性。从而证明了该方法的有效性。     

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。     

基于UBM的发音质量评价算法

将已经成功应用到说话人识别/确认领域中的高斯混合模型和全局背景模型(UBM)引入语音发音质量评价领域,提出一种新的评价英语发音质量的算法。该算法训练出标准发音的全局背景模型。UBM模型描述与音素无关的特征分布,定义段时长归一化的相似度比例对数为音素的发音质量分数,综合得到整句发音的评分结果。实验证明,在实验室自行采集的非母语语音数据库上,该算法评分与专家评分的相关性达到了0.700,优于其他评分算法。