一种改进的自适应混合高斯建模算法

车辆识别系统对于智能交通系统具有重要的意义,也是其他技术实现或判决的重要基础之一.混合高斯模型在应对背景中存在扰动的情况时具有明显的优势,但传统的混合高斯建模算法适应场景突变的能力不强,容易产生较长时间的虚影.本文在传统算法的基础上,对背景更新过程做了改进,从而可以快速地去除不再符合要求的背景模型.实验表明,在光照发生变化或摄像头轻微抖动等情况下具有良好的自适应性,配合阴影去除算法将大幅提高车辆识别的准确率.     

基于混合高斯背景模型的运动目标检测

运动目标检测是计算机视觉、图像理解、目标跟踪等领域非常重要的研究内容。为了能够及时检测到图像场景中的运动目标,本文选择建立混合高斯背景模型作为检测运动目标的方法,该方法能有效的提取出运动的目标及其携带的运动信息,取得比较好的效果。     

一种改进的用于视频监控的混合高斯背景建模法

本文提出一种在RGB彩色空间基于混合高斯建模的背景减算法来进行运动目标检测。鉴于场景变化对光照敏感的特点,根据,R、G、B三个分量计算像素的亮度分量,然后对,R、G、B及亮度分量分别建立高斯模型,对全局图像进行光照控制并实时更新。最后利用阴影覆盖后像素的彩色信息和区域的弱边缘特征对提取出的候选前景进行筛选,最后经过后处理用形态学运算准确提取出运动区域,实验效果良好。     

改进的高斯背景建模在车辆检测中的应用

研究实时环境下运动车辆的检测算法,针对存在渐变及重复性运动的车辆运动背景采用改进的高斯背景建模法,对背景进行更新,将所得的当前背景与前一帧视频图像进行相减,得到当前时刻车辆的运动图像。将所得图像进行数学形态学去噪处理得到较为理想的车辆检测效果图,并根据处理后的图像判断车辆是否运动以及其运动轨迹。实验证明该方法能去除噪声对图像产生的影响,对判断某一时刻车辆是否运动行之有效。     

基于混合高斯模型的运动车辆检测方法

针对目前在车辆检测中广泛应用的混合高斯模型(G MM)存在的缺陷,提出了一种改进的GMM运 动车辆检测方法。对于GMM运行过程中“鬼影”长期存在的缺陷,通过采用新 的权值和方差更新方 法,加速“鬼影”的消除,改善其车辆检测性能;对于传统的GMM对所有像素 点均采用固定分布 数建模造成的内存空间浪费,通过设定一个分布数上限值,对未达到上限值的像素 点采用分布数 自适应变化的方法,有效地减少模型总分布数,节约内存空间。实验结果表明,改进后的GM M在“鬼影”的消除和计算速度上具有较大的优势。     

基于改进混合高斯背景模型的车辆检测算法研究

传统的混合高斯背景模型对光照突变十分敏感,对运动车辆检测效果不理想。为此,本文提出了一种基于改进混合高斯背景模型的车辆检测算法,利用不匹配像素来消除光照突变对背景建模产生的影响。实验结果表明,与传统的混合高斯背景模型算法相比,在光照突变明显的条件下,改进后的算法更能有效检测出运动车辆。     

基于局部层次化混合高斯模型的视频序列运动目标检测

在视频分析的过程中,背景建模和运动目标提取是一个非常重要的问题.混合高斯模型是进行背景建模常用的模型之一.但是单纯运用混合高斯模型进行运动目标提取的效果并不是非常理想.本文提出了一种自上而下的局部层次化混合高斯模型,该算法首先确定更新区域,然后在区域中运用分块的混合高斯模型和点像素混合高斯模型进行背景建模和目标提取.实验表明该方法具有较好的处理效果,同时也提高了处理的时间效率.     

一种有效的两阶段视频图像处理方法

传统混合高斯模型是背景估计中常用的方法,但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,从而造成了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,即所谓的空洞问题.文中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.通过实验表明,采用该两阶段视频图像处理方法能明显的改善背景建模的速度,也能有效的解决提取目标出现的空洞问题,从而验证了该算法的有效性.     

一种改进的自适应背景建模视频分割方法

针对传统的自适应背景建模难以解决背景复杂以及外界光照变化等因素影响视频分割质量的问题,提出了一种改进的自适应背景建模视频分割方法。该方法首先对彩色图像建立高斯背景模型,然后对背景模型进行更新,最后通过对高斯分布准则进行改进使前景目标分割性能得到提高。仿真实验表明,该方法能够准确建立背景模型,准确分割前景目标,较传统算法具有更强的鲁棒性。     

基于高斯背景建模的目标检测技术

研究了室内环境下的运动目标的检测技术。讨论了各种目标检测的算法,提出基于室内相对静止背景下的目标检测算法,利用高斯背景建模方法提取较为理想与"干净"的背景帧,并可进行背景的自适应更新,然后再利用所得的背景与当前视频帧进行相减,得到视频中运动目标的前景图像,经过平滑去噪处理得到较为理想的目标检测效果。     

基于混合高斯模型与核密度估计的目标检测

背景建模与目标检测是视频跟踪的重要步骤和基础,非参数核密度估计与混合高斯模型是背景建模与目标检测的经典方法。文中首先介绍了高斯模型与核密度估计的基本原理及各自的优缺点,然后提出了一种核密度-混合高斯模型级联算法,利用核密度估计快速分割前景与背景区域,再由混合高斯模型对于无法精确建模的区域进行二次判定,有效综合了二者各自的优点。仿真结果表明,该算法具有良好的实时性和鲁棒性。     

基于熵图像和隶属度图的高斯混合背景模型

经典的高斯混合背景模型中,高斯分量的个数是固定的,近邻像素间的相关性也没有被考虑。作为对这种模型的改进,该文利用熵图像来度量背景像素亮度分布的复杂程度,进而给出了根据熵图像为各像素选择高斯函数个数的方法,在保证检测精度的前提下节约计算资源;并利用隶属度来表示像素属于背景的可能性,通过融合各像素邻域的局部信息来对其进行有效的分类,使得分类决策的结果更可靠,而计算量却增加不多。多种真实场景下的实验证明了这种算法在计算速度和精度上的良好性能。     

反向学习的灰狼算法优化及其在交通流预测中的应用

本文针对灰狼优化(Grey Wolf Optimizer,GWO)算法平衡全局探索和局部搜索能力的不足,提出了一种基于反向改进的灰狼算法(Opposition Learning Grey Wolf Optimizer,OLGWO),来优化预测模型的超参数,以提高其用于交通流预测的精度与鲁棒性.本算法在迭代过程中采用了反...     

基于OpenCV与混合高斯建模的运动目标检测

针对静态背景下的视频运动序列,在研究现有的检测算法——帧间差分法与背景差分法的基础上,进一步研究了运动目标检测中背景动态建模的方法——混合高斯建模法,在此基础上提出了基于混合高斯模型与三帧差分的运动目标检测改进算法。由于使用背景差分法检测运动目标时,运动物体和阴影都将被看作运动的目标,于是研究了基于归一化RGB色彩模型的阴影处理方法,对阴影区域进行检测与去除。然后使用计算机视觉类库OpenCV结合Visual C＋＋6．0对上述算法进行实现,取得了很好的检测效果。     

基于混合高斯模型与三帧差分的目标检测算法

针对传统目标检测方法中光照变化、复杂背景、阴影等难点,提出了一种结合三帧差分法和混合高斯背景建模的算法,既能很好地适应场景中的光照渐变和背景扰动,又能克服普通帧差法中检测目标不准确,容易产生孔洞及双影现象的问题。同时,采用了一种简易的阴影抑制算法和形态学滤波处理,有效地去除了阴影以及噪声。实验结果表明,该算法易于实现,具有较好地实时性和鲁棒性,能精确地检测出运动目标。     

视频交通流检测中的背景提取

在基于视频的交通流检测系统中,静止背景的快速准确提取是基础。背景的提取主要分为模型法和非模型法,非模型法的算法复杂度低,能满足交通流检测实时性要求。论文比较和分析了均值法、直方图统计法、中值滤波法和背景学习法四种常用的背景提取方法。并通过实际的交通视频测试比较了四种方法。     

实时字符识别在视频读表系统中的应用

为了保证字符识别的准确性，正确的字符分割是关键。由于光照不均匀等外界客观条件的影响，通常是对所采集到的数字图像先进行静态的各种预处理，然后才能进行识别从而得到正确的结果。这里详细地阐述了一种对采集到的非均匀亮度的数字水表图像上数字及符号的实时字符识别算法，并介绍了基于高斯滤波、投影算法、边缘检测等算法的图像预处理方法。通过现场实验，该算法的字符识别正确率达到100％，且实时性高。     

基于卷积神经网络的实时视频下行人检测

行人检测是计算机视觉中的关键技术,是安防监控、视频行人行为分析乃至无人驾驶和驾驶辅助系统等后续研究的基础,因此,对行人检测的精确准度、实时性、鲁棒性都提出了较高的要求。文中给出了一个基于深度混合高斯背景建模和深度神经网络的检测方案,能够快速精准地检测出视频场景中的行人,并采用缩放、滑动的组合窗口策略,有效消除了因光线产生的阴影影响,定位出视频中行人的最佳位置。     

高斯混合模型在海面运动目标检测中的应用

针对海面背景图像的特点,利用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。提出的基于变化检测的高斯混合模型参数估计方法与EM算法估计的模型参数极为相似,但前者大大节省了建立背景模型所需的内存空间,建模速度大约是后者的两倍。视频流实验验证了算法的有效性。