基于自适应混合模型和区域特征的多目标跟踪与检测

文章提出了一种基于自适应混合模型和区域特征的多目标跟踪与检测算法。背景分割算法采用高斯混合模型描述每一被观察像素的近期色彩历史，建立自适应背景模型，然后根据背景模型匹配原则决定当前帧中每一像素的类别。在分割结果基础上，以区域特征值之间的欧几里德距离平方作为匹配尺度，将当前图像帧中每一被检测出的区域与历史记录表中的区域相匹配。跟踪过程中，采用卡尔曼滤波器对被检测出的运动区域进行运动参数估计和预测。实验结果表明，这种方法是可行的且鲁棒的。     

基于改进的混合高斯模型的运动目标检测

针对现有方法在复杂多变环境下不能很好地检测出运动物体的问题,提出了改进的基于混合高斯模型的背景消减法,并对运动目标进行检测。模型初始化时,提出了一种能准确得到实际背景模型的方法;在模型更新中引入了加速因子和合理性反馈使得模型能更快、更准确地反应真实的背景。实验结果表明,同传统检测方法相比,改进的混合高斯模型方法能有效地消除物体发生运动时产生的拖影,并能很好地检测出运动物体。     

基于改进混合高斯模型的铁轨异物入侵检测方法

针对混合高斯背景模型存在的背景信息易被污染和前景异物目标检测不全的问题,提出了一种基于改进混合高斯模型(GMM)的异物入侵检测算法.该方法结合混合高斯背景模型和小波变换原理对运动目标进行检测.利用小波变换消除设备和噪声导致的背景建模过程产生的干扰点;提出基于邻域平均算法的像素修正算法,进行混合高斯建模,得到最终的背景模...     

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。     

基于智能视觉的透明液体可见异物检测软件设计

目前在国内的透明液体生产线上,液体通常采用人工检测,效率低、准确率,所以基于图形处理算法以及QT,设计了一套基于智能视觉的透明液体杂质颗粒检测软件,重点实现了软件与算法的改进优化;获取的连续图像经自适应中值滤波预处理去除图像噪声后,通过改进的序列图像二次差分算法提取出序列图中的细小的异物,然后根据通过SIFT特征度量的MeanShift目标跟踪算法,跟踪液体图像中的细小异物;并根据异物的运动轨迹及大小,检测到有无异物以及异物的类型,进而进一步判断透明药品质量是否合格;结果测试表明,软件的准确率达到95%以上,检测分辨率达到了44μm,基本可以替代透明液体生产线上的人工检测。     

基于高斯混合模型的海面运动目标检测

提出了一种基于变化检测的高斯混合模型参数估计方法,建立了象素点背景模型并用于海面运动目标的检测。在实验部分,将该方法估计的高斯混合背景模型的参数与基于迭代的EM算法估计的模型参数做比较,模拟实验的结果表明两者估计的参数值相差不大,而在对视频流中的象素点灰度值分布的逼近中,该文的方法比EM算法更接近真实的分布,并且在一定程度上减少了建立背景模型的所需的内存和计算时间。运动目标检测的结果表明,使用该方法建立的背景模型可以比较准确地检测到海面上的运动船只。     

HSV自适应混合高斯模型的运动目标检测

在目前的计算机视觉应用中,从视频序列中提取出运动目标是一个研究热点。针对传统方法在复杂多变环境下不能很好地检测出运动目标且运算量较大的问题,根据HSV颜色空间的特点,提出了一种基于HSV颜色空间的自适应混合高斯背景建模和阴影消除的方法。首先,在传统的混合高斯背景建模的基础上,引入了一种新的混合高斯模型高斯成分个数的自适应选择策略以提高建模的效率。其次,根据阴影在HSV向量空间的特点,融入了一种新的阴影消除方法,以检测出带阴影的运动目标。该方法能够快速准确地建立背景模型,准确分割前景目标。与传统的阴影消除方法相比,该方法可以在不需要设置阂值的情况下,对运动目标的阴影进行很好的消除,有很好的鲁棒性和实用性。     

基于混合高斯模型的运动目标检测

提出了一种新的基于HSV颜色空间的阴影检测和误判检测的自适应背景模型运动目标检测算法,并将其应用于运动物体的分割。该算法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。实验结果表明了该算法的实时性、可靠性和准确性较好。     

基于自适应GMM的X射线图像智能检测

传统金属工业构件X射线图像检测手段主观性过强、检测效率低下。为此,提出一种基于高斯混合模型(GMM)的智能检测方法。对同一构件的图像序列进行在线学习,每一像素点由多个高斯分布分量组成。正常工作时对每一像素点用学习到的高斯分量进行模式分 类,若不符合任一现有高斯分量就视为前景目标(损伤点),采用种子生长法连通损伤区域,确定整个损伤区域。实验结果表明,该方法可精确定位构件损伤部位,实现金属构件损伤的自动检测,检测效率较高。     

基于主动视觉的运动目标检测跟踪方法

研究主动视觉运动目标检测跟踪系统。针对图像目标跟踪多为非连续动态过程,准确性差,通过混合高斯法建立背景模型,采用背景差分法,利用最大类间方差算法确定阈值,检测分割出运动目标,提出一种结合SURF算法的带宽自适应均值漂移跟踪算法实现目标跟踪,使用线程并行控制摄像机运动,确保跟踪目标在图像序列中的合适尺寸。实验表明,改进系统能够实现对场景中运动目标的准确检测,稳定跟踪,并能到达实时应用的要求。     

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。     

基于高斯混合模型的色彩转换

在将彩色图像转变为黑白图像的应用中,传统的彩色一灰度转换方法无法有效地传递色彩差异反映的视觉信息,其时间开销太大或者需要人工交互,因此目前并没有得到实际推广应用.为了解决这些问题,提出一种基于多元高斯混合模型(GMM)的彩色一灰度转换算法.该算法从人眼对彩色图像的感知机制出发,把对彩色图像中的视觉信息提取过程视为多维数据的分类问题,首先通过重采样抽取训练数据点集,然后引入GMM对彩色图像中的像素分布进行建模,通过一个改进的Gibbs采样彩色图像建模算法取得模型参数,并实现高斯混合元数目的自动确定;最终实现彩色一灰度转换操作.实验证明,该算法能够较快地完成彩色一灰度的自动转换.并有效地保留了彩色图像中由色彩传递的视觉信息.     

基于自适应高斯混合模型的软件测试用例集约简算法研究

为了最大化的找出软件测试用例集中的相似用例,实现对用例的最优精简,提出了一种自适应的高斯混合模型;提出的模型使用K-means初始化EM,自适应地确定聚类簇数目,在此过程中能够评判聚类结果,同时给出式高斯混合模型的所有参数,这些参数作为各个聚类簇进行新一轮迭代计算的参数,最终得到的结果更趋于最优解;实验结果表明,相对现有的高斯混合模型和模糊K-Means聚类模型等算法,文章提出的自适应高斯混合模型算法能够最小化软件测试用例集,约简后的用例所覆盖的范围相对更广,测试出的软件错误率较高,对软件测试用例集多变的适应性好。     

大输液中可见异物智能在线检测系统设计

设计了基于机器视觉的智能大输液异物在线检测系统,该系统可以实现灌装后大输液瓶中杂质的检测;研究了该检测系统的基本构成,工作原理以及一些关键图像处理技术;该检测系统采用特殊的硬件检测平台,让杂质与瓶身作相对运动,再利用精密的光学成像系统获取运动异物的序列图像,最后通过图像预处理、运动目标提取、运动目标分割和图像识别与判断这四个步骤完成对异物的检测;实验表明该系统可快速的检测出大输液溶液中所含的多种杂质.准确度高,实时性强。     

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.     

用于图像分割的多分类高斯混合模型和基于邻域信息的高斯混合模型

高斯混合模型是一种简单有效且被广泛使用的图像分割工具。然而,传统的高斯混合模型在混合成分个数确定时的拟合结果不够精确;此外,由于没有考虑像素间的空间关系,导致分割结果易受噪声干扰,且分割精度不高。为弥补传统高斯混合模型的缺陷,文中提出多分类高斯混合模型和基于邻域信息的高斯混合模型用于图像分割。多分类高斯混合模型对传统混合模型进行二重分解:传统混合模型由M个分布加权混合得到,多分类混合模型进一步将M个分布中的每一个分布分解成R个分布。即多分类高斯混合模型由M个高斯分布混合组成,而这M个分布分别由R个不同的分布混合得到,提高了模型的拟合精度。基于邻域信息的高斯混合模型通过对模型中的先验概率和后验概率添加空间信息约束,增强了像素间的信息关联和抗噪性。采用结构相似性、误分率和峰值信噪比等指标来评价分割结果。通过实验发现:与现有的混合模型分割方法相比,文中方法大幅提高了分割精度,且有效地抑制了噪声干扰。     

基于视觉注意模型的自适应视频关键帧提取

关键帧提取是基于内容视频检索领域中一个重要的研究课题。提出了一种基于视觉注意模型的自适应视频关键帧提取方法。该方法分别提取视频中的运动和空间显著度,并用一种运动优先非线性混合模式将显著度合成为视觉注意度。在此基础上提出一种基于视觉注意度的局部和整体两级关键帧提取策略,先采用局部策略,选择镜头内注意度最大的帧作为关键帧候选;再根据视觉注意度的变化,为各个镜头自适应分配关键帧数目作为整体关键帧分配策略。实验证明,该方法提取的关键帧较为符合人类的视觉系统特性,而且该方法具有根据内容变化自适应提取关键帧等特点。     

关于自适应高斯混合背景模型的更新算法的研究

采用自适应高斯混合方法为背景建模的难点是对背景模型的维持与更新。目前,背景模型的更新算法很多,但算法中各参数的取值通常是依据经验而定。本文对背景信号进行了分析,根据背景信号的特点,给出了背景更新算法中各参数值的选取方案,并提出了一种新的背景模型更新算法。     

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。