基于改进的混合高斯模型的目标检测方法

混合高斯模型是环境监控的一种有效方法,能及时侦测环境的异常变化,其基本思想为当环境与建立的模型相匹配时为背景,否则为前景.利用混合高斯模型在图像内进行目标检测,在模型替换的时候,前景容易误替换进模型内,影响背景差分效果.同时采用像素为单位做前景判断,信息量往往不足,不能有效地表示环境特征.高斯模型也存在对光照影响消除能力不足的问题,光照发生时,背景会发生变化,如果不及时检测出来,排除光照,就会造成误检,影响系统的准确性.文中针对这些问题提出了一种解决方案,并用实验证明了其有效性.     

自适应混合高斯背景模型的运动目标检测方法

提出了一种静止摄像机条件下自适应的运动目标检测方法。该方法基于同一像素点被同一灰度车辆覆盖几率小的假设构建初始背景,为每个像素点在线选择高斯分布个数。根据像素点与其邻域像素间存在联系的思想,在线更新学习率。最后用背景差分法检测出运动目标。实验结果表明,同基于传统混合高斯模型的运动目标检测方法相比,该方法有较好的自适应性,能快速适应场景的变化。     

结合三帧差分与改进混合高斯模型的运动目标

针对混合高斯模型对于噪声与光照变化检测效果不佳的问题,文章提出了结合三帧差分与改进型混合高斯模型的运动目标检测方法.该方法先通过三帧差分快速获取一副背景图像,然后将该背景图像按一定的比例更新到混合高斯模型主背景分布中,再按照改进的混合高斯模型进行背景提取,最后得到前景图像.实验结果表明,利用改进的混合高斯模型算法,提高了算法检测的准确度,并且结合三帧差分法能有效解决噪声与光照变化问题,提高了算法的鲁棒性.     

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。     

一种用于运动目标检测的快速收敛混合高斯模型

背景模型是交通监控视频中检测运动目标的一种常用方法。混合高斯模型在训练背景模型的过程中效果良好,但其收敛速度较慢。目前各种改进模型,只是提高其初始化的收敛速度;为了加快检测过程中背景改变时的收敛速度,必须实时检测背景是否发生改变,若改变,则需要对模型重新进行初始化。基于以上情况,提出了一种改进的混合高斯模型,该模型不需要重新初始化,避免了实时检测背景是否发生改变的多余步骤,实验结果明显著提高了检测过程中的收敛速度。     

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。     

基于边缘前景的混合高斯模型目标检测

混合高斯模型已经广泛应用于背景建模中。但是检测结果受到噪音的干扰和突变光照的影响。为了解决这个问题,将Stauffer的混合高斯模型进行改进并与边缘信息相结合。当三帧差分判断出场景变化时,像素点的学习率会自适应变化。用这种改进的混合高斯模型来获取运动物体的边缘图像和前景图像。对边缘图像进行图像膨胀,再与前景图像进行与运算,通过光流信息来填补空洞部分,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。     

一种基于自适应域值混合差分的目标检测方法

基于视频的目标检测中,现有流行的高斯混合模型GMM(Gaussian Mixture Model)目标检测的效果最好,但是其计算量很大,而简单的帧间差分方法和背景差分方法计算速度快,但是检测效果较差.提出在改进聚类方法基础上的基于自适应域值混合差分的目标检测方法,能够一方面具有很好的运动目标检测效果,另一方面具有很快的计算处理速度.同时该方法具有自适应能力,免除人工设置域值的麻烦,因而在实践中具有良好的实际使用价值.     

基于混合高斯模型的运动目标检测方法

研究了序列图像中的运动目标检测问题。传统的目标检测方法无法克服背景图像变化、场景光线突变、目标物阴影干扰等问题。采用混合高斯分布对背景进行建模,引入亮度信息进行前序处理,并在此基础上使用颜色模型对残留阴影进行移除,因此能够快速准确地检测出运动目标。通过相关仿真实验,证明了该方法具有可靠性和实时性。     

结合高斯混合模型和改进的LSBS的运动目标检测方法

提出了一种综合混合高斯模型和改进LSBS的方法来进行目标跟踪检测。首先,通过混合高斯模型建立一个模糊的目标轮廓,其次,在此轮廓上运用改进LSBS来具体地检测出目标物体,该方法对不同的亮度图像检测不需要手动改写参数,使得算法可以运用于自动监督系统。最后,采用形态学滤波和连通区域面积检测进行去噪处理。实验结果表明,比起单独使用混合高斯或LSBS,该方法不仅能够更快速检测出目标物而且能够在光照亮度较暗的条件下依然能够准确地分辨出运动目标,增强了精确度,从而提高应用水平。     

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。     

一种区域级运动目标检测方法

传统运动目标检测方法通常在像素或硬性划分的区域上实现.文中使用分水岭变换自动将图像划分成灰度一致性区域,并以一致性区域为基元进行运动目标检测.针对分水岭变换的过分割问题,在多步形态学梯度图像上进行变换.针对运动目标检测的低虚警率和高实时性要求,直接考察待检测图像中每一个一致性区域与一组背景图像中对应区域间的差异程度,设计灰度差异、颜色畸变及相邻区域间的灰度关系准则综合判断各区域是前景还是背景.该方法与流行的检测方法相比具有较低的虚警率,避免区域级检测方法中的硬性分块问题,同时又具有一定的处理速度.多个室内和室外标准图像序列的测试证明该算法的有效性.     

基于改进高斯混合模型的运动目标检测方法

传统高斯混合模型(GMM)对于光照突变十分敏感,且收敛速度较慢。为此,提出一种基于改进GMM的运动目标检测方法。利用不匹配像素消除光照影响,使用改进的GMM提取背景图像。通过差分当前帧与背景图像获得二值差分图像,从该差分图像中获取运动目标。实验结果表明,该方法能适应光照变化,提高检测的准确性和鲁棒性。     

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。     

一种多模型协同的目标提取方法

固定摄像机目标提取多以高斯混合模型为背景模型,在检测运动缓慢、间歇停滞的目标时会出现前景目标空洞的问题。为此,提出一种能够适应目标间歇停滞的多模型协同目标提取方法。采用高斯混合模型进行背景学习,通过光线检测模型和场景状态检测模型协同控制背景适时更新,利用阴影检测模型剔除阴影。实验结果表明,与KaewTraKulPong P方法相比,该方法能较完整地提取到目标轮廓,且单帧处理时间较少。     

基于元认知模型的智能混合高斯背景建模

传统混合高斯背景模型(Gaussian mixture model, GMM)不能快速适应动态场景中背景发生突变的情况. 本文提出一种基于元认知模型的智能混合高斯背景建模方法, 每个输入像素经过元认知监控成分刺激元认知体验成分以提取成功(或失败)的意识进行认知, 根据提取的意识及时向元认知知识成分传输新的认知知识或直接提取元认知知识成分, 并作出决策信息. 该方法能够对背景模型产生认知, 当背景突变为认知过的背景时, 可以快速适应并能更准确地描述复杂场景中的真实背景.     

二维灰度图像的分形维数计算

分析了当前计算图像分形维数的算法普遍存在对高维数图像计算误差较大且计算量大的缺点。结合计盒维数算法的原理,给出一种新的盒子边界。理论和实验证明,该算法较Chaudhuri和Sarkar给出的经典边界选取在准确性和实时性上都有所改进。     

基于改进混合高斯模型的运动目标检测方法

针对传统高斯模型易将背景显露区域检测为前景问题与对复杂场景下噪音处理效果差的缺陷,提出了一种混合了三帧差算法的改进混合高斯模型算法. 利用三帧差算法快速确定背景显露区域与前景的优势,提高了算法对背景显露区域的适应性;提出一种背景模式邻域更新法,提高了对复杂背景噪音的抗干扰性. 通过实验证明,该算法与传统方法相比,在复杂背景下减少了大量噪音,学习周期短,提高了对天气、摄像头震动等干扰的抗性,优化了背景显露引起的“影子”噪音问题.     

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.