基于记忆的混合高斯背景建模

混合高斯模型(Gaussian mixture model, GMM)可对存在渐变及重复性运动的场景进行建模, 被认为是最好的背景模型之一. 然而, 它不能解决场景中存在的突变, 如门的打开/关闭等. 为解决此类问题, 受人类认知环境方式的启发, 本文将人类记忆机制引入到背景建模, 提出一种基于记忆的混合高斯模型(Memory-based GMM, MGMM). 每个像素都要经过瞬时记忆、短时记忆和长时记忆三个空间的传输和处理. 本文提出的基于记忆的背景模型能够记住曾经出现的背景, 从而能更快地适应场景的变化.     

基于改进混合高斯模型的自适应运动车辆检测算法

道路视频监控中经常存在车辆缓慢运动或短暂停留的情况。针对传统混合高斯模型背景减除法对环境突变敏感和对缓慢运动目标丢失信息的问题,提出一种改进的自适应车辆检测方法。首先,在参数更新前对像素值分类并根据分类结果设置模型更新率,抑制缓慢运动前景被训练成背景;引入一个跟踪环境变化的度量因子,当环境突变时实现背景减除和帧差法的自适应切换,滤除环境变化的干扰;最后通过生态学滤波得到准确的运动目标。实验表明,该算法对白天实时路况视频中的运动车辆具有较好的检测效果。     

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.     

一种改进的混合高斯模型背景估计方法

传统混合高斯模型一般为每个像素分配固定的高斯分布个数,从而造成背景形成速度的减慢和系统资源的浪费;同时也存在着高斯模型背景建模中的缓慢或滞留运动物体造成目标误判现象的问题(即空洞问题)。为此,提出了一种有效的两阶段视频图像处理方法。该方法在第一阶段根据像素点的优先级大小自动地调节高斯分布的数目,在第二阶段首先对像素点进行所属区域的划分,进而对目标区域和非目标区域采取不同的更新手段。实验表明,采用两阶段视频图像处理方法明显地改善了背景建模的速度,有效解决了提取目标出现的空洞问题。     

改进的混合高斯背景建模算法

针对传统的混合高斯背景建模算法实时性差及对光照等引起的环境突变适应性差的问题,提出一种改进算法。通过定义模型生存时间、连续匹配次数等参数定量约束模型的生存时间,改进传统算法中固定模型数量的限制,提高背景建模速度;通过定义突变因子、突变持续时间,检测光照突变。仿真实验表明,改进算法实现了模型数量的自适应增减,提高了建模效率,对由传统建模算法实时性差造成的误检及光照突变引起的误检能较好的解决,具有较强的鲁棒性。     

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。     

新型背景混合高斯模型

针对背景减除法中经典混合高斯模型计算量过大的问题,提出一种新的背景混合高斯模型。该方法利用偏差均值作为判断模型是否与当前像素值匹配的阈值参数,有效减少了经典模型中由于开平方及指数运算带来的庞大计算量;同时引入持续平稳时间的概念,采用非线性权值更新方法,能够使较长时间停留在场景中的物体迅速成为背景。实验结果表明,该方法显著提高了背景模型的计算效率。     

一种基于分裂高斯混合模型的背景建模算法

针对运动检测算法中目标空洞和环境噪声难以消除等问题,提出一种背景建模算法。将待处理图像通过三层高斯模糊滤镜,分层抽取图像信息,通过分层建立分裂高斯混合模型,进行建模并计算运动区域。将上层提取的低频信息以及建模后提取的粗块化运动目标,加入到下层的背景判定计算流程中,根据综合判定结果纠正下层错误的模型参数。在公共数据库中的实验结果表明,该算法在高效地去除了环境噪声的情况下,可保证所提取运动目标的准确性,并且对光照突变不敏感,有较好的检测率和较低的误检率。     

基于改进的混合高斯背景模型的运动目标检测

混合高斯模型在应对背景中存在扰动的情况具有优势,而其不足之处主要表现在对光线变化比较敏感和当场景中前景与背景之间发生转换时容易产生较长时间的虚影.针对上述问题,提出一种融合相邻帧差法和背景减法的算法.采用了循环周期和动态更新相结合的背景重建机制,通过运用Matlab对视频图像某个像素点的S值和V值的变化情况分析来体现背景更新和重建的过程,并对背景变化前后分别采用传统算法和改进算法进行对比分析.该改进算法解决了背景模型对光线变化敏感以及容易产生虚影等问题,实验结果表明了算法的有效性和鲁棒性.     

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。     

混合高斯模型和帧间差分相融合的自适应背景模型

提出了运动目标检测中背景动态建模的一种方法。该方法是在Stauffer等人提出的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,通过融入帧间差分把每帧中的图像区分为背景区域、背景显露区域和运动物体区域。相对于背景区域,背景显露区中的像素点将以大的更新率更新背景模型,使得长时间停滞物体由背景变成运动前景时,被遮挡的背景显露区被快速恢复。与Stauffer等人提出的方法不同的是,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,减弱了慢速运动物体对背景的影响。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。     

基于改进混合高斯模型的运动目标检测算法

在运动目标停滞的情况下,传统的混合高斯模型会将运动目标误判为背景,导致目标漏检。为此,提出一种基于改进混合高斯模型的目标检测算法。引入背景学习参数,结合前一帧的检测结果自适应地更新背景,从而提取完整的运动目标。利用像素的八连通区域信息抑制噪声,提高算法在复杂环境中的稳定性。实验结果表明,与传统检测方法相比,该算法能够在复杂环境中准确地检测出短暂停滞的运动目标。     

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。     

面向图像先验建模的可扩展高斯混合模型

针对使用高斯混合模型的图像先验建模中分量数目难以扩展的问题,构建基于狄利克雷过程的可扩展高斯混合模型.通过聚类分量的新增及归并机制,使模型复杂度根据数据规模自适应变化,从而增强先验模型结构的紧密度,以提升其可解释性.此外,对高斯混合模型的推理过程进行优化,给出一种基于批次处理方式的可扩展变分推理算法,求解图像去噪中所有隐变量的变分后验分布,实现先验学习.实验结果表明,该模型在图像去噪任务中较EPLL等传统去噪模型能够取得更高的峰值信噪比,去噪效果更佳,验证了该模型的有效性.     

复杂条件下高斯混合模型的自适应背景更新

针对高斯混合模型背景更新中面临的光照突变和目标与背景相互转化的问题,提出一种分情况分区域的背景自适应更新算法。首先根据当前检测目标的面积大小判别是否发生光照突变情况,采取针对性更新策略,对于未发生光照突变情况再分背景区域和目标区域分别进行背景自适应更新。其中,重点讨论了目标区域的背景更新问题,提出根据目标尺寸、运动速度和匹配次数等特征参数来调整目标区域的背景更新速率。仿真结果表明,该算法在保证了目标检测完整性的同时,提高了模型对背景变化的适应能力。     

动态场景红外图像的压缩感知域高斯混合背景建模

针对动态场景下红外图像的背景模型构建问题,提出一种基于压缩感知（Compressed sensing,CS）域高斯混合模型（Gaussian mixture model,GMM）的背景建模方法.该方法不是对图像中的每个像素建立高斯混合模型,而是对图像局部区域的压缩感知测量值建立高斯混合模型.1）通过提取红外图像轮廓的角点特征,估计相邻帧图像间的相对运动参数以对图像进行校正与配准;2）将每帧图像网格化为适当数目的局部子图,利用序列图像构建每个局部子图的压缩感知域高斯混合背景模型;3）采用子空间学习训练稀疏字典,通过子空间追踪对可能含有目标的局部子图进行选择性稀疏重构;4）通过背景减除实现前景目标检测.以红外图像数据集CDnet2014和VIVID PETS2005进行实验验证,结果表明：该方法能建立有效的动态场景红外图像背景模型,对成像过程中所受到的场景动态变化、背景扰动等具有较强的鲁棒性,其召回率、精确率、F-measure等性能指标及处理速度较之于同类算法具有明显优势.     

基于高斯混合模型差别度量的说话人聚类

基于高斯混合模型(GaussianMixtureModel,M)间差别的方法是进行说话人聚类的常用的一类方法。该文GM提出两种新颖的GMM差别度量,“类散度”和GMM的相互概率。“类散度”即模型间“离散度”与模型内“离散度”之比,在计算中综合考虑了GMM各个胞腔的权值、均值及方差的影响,全面地反映了高斯混合模型参数的差别。GMM的相互概率即其中一个GMM的参数在另一个GMM下的概率。实验证明,两种方法均能很好地描述GMM间的差别,在说话人聚类实验中表现良好。     

应用改进混合高斯模型的运动目标检测

在运动目标检测过程中,背景建模对目标提取至关重要,而混合高斯模型是目前背景建模中较流行的方法之一。针对混合高斯模型中存在的不足做了两点改进：（1）混合高斯模型是对各点孤立建模,对于拥有较高的分辨率的图像运算量较大,引入分块建模思想,可以明显提高目标检测的速率而且考虑到像素点之间的空域信息;（2）混合高斯模型对运动目标停留在场景中某一位置停留过长时,会出现将前景转化成背景,以致于产生目标在场景中消失的现象,根据目标在场景中运动与静止的情况,决定是整帧更新还是只更新背景区域。通过实验可以得出,该算法在不影响识别的情况下可以显著地提高运动目标的检测速率,而且可以减少部分噪声,另外也能有效地克服目标转化为背景的情况,从而保持了运动目标出现的连续性。