基于改进高斯混合模型的运动目标检测与跟踪

为了提高运动目标检测与跟踪的精确性与可靠性,提出一种基于改进高斯混合模型的运动目标检测与跟踪方法。首先,建立改进高斯混合背景模型,对运动目标图像进行分块处理,利用相连帧的连续性对运动目标图像的参数更新,提取完整的运动目标并进行分割;其次,将给定的当前帧像素点与目标图像进行匹配,减少高斯混合模型的分布数量和计算量,根据分块处理后的运动目标的大小、形状以及颜色信息完成运动目标全局匹配,实现运动目标的实时检测与跟踪。实验结果表明,与目前的高斯混合模型对运动目标检测与跟踪的方法相比,所提方法计算过程较为简单,具有更快的检测速度和更可靠的检测结果。     

基于改进高斯混合建模和短时稳定度的运动目标检测算法

传统高斯混合建模方法中前景模型转换为背景模型的风险随着模型权值在一定更新率下的迭代累加而增大,使得传统方法难以有效检测低速运动目标.该文对高斯混合建模中背景匹配失败时生成的前景模型加以利用并引入短时稳定度指标进行综合判断,在深入挖掘前景模型中包含的运动目标信息和像素点级稳定性的基础上实时区分各像素点的状态.多场景下的实验结果表明,该方法对低速目标达到了更高的检出率.     

基于激光传感信号的动态环境目标智能识别研究

由于利用原有方法自动识别复杂环境运动目标时,图像存在的噪声会导致误识别率较高,因此,提出一种基于机器视觉的复杂环境运动目标自动识别方法.通过高斯混合建模方法检测复杂环境下的运动目标,具体步骤为确定高斯混合模型的实际初始参数,更新高斯混合模型的对应参数,最后对各高斯函数的实际权值实施归一化处理.基于机器视觉中的局部二值模型提取复杂环境下的运动目标特征,根据提取的运动目标特征,通过三帧差法选取并比较三帧相邻的复杂环境图像,然后两两作差并实施二值化,以及执行逻辑"与"运算,实现复杂环境下运动目标特征的识别.通过将基于机器视觉的复杂环境运动目标自动识别方法与原有方法进行性能对比实验,证明该方法的误识别率低于两种原有方法,实现了运动目标识别性能的提升,对于监控系统的发展有很大意义.     

基于改进高斯混合模型的体育视频运动目标检测与跟踪

针对当前体育视频运动目标检测存在的弊端,提出改进高斯混合模型的体育视频运动目标检测与跟踪方法。通过分析高斯混合模型的弊端,保留原有的"背景重建-模型更新-背景更新-目标检测"处理进程,将彩色图像转换为灰度图像,在像素相似度差别小的背景区域进行动态扩张,加入基于灰度直方图的目标跟踪进程,提高高斯混合模型对体育视频运动目标的处理效率与精度。实验结果表明,所提方法对体育视频的干扰处理能力强,检测范围大,检测与跟踪效果好。     

基于改进的单高斯背景模型运动目标检测算法

针对传统单高斯背景模型(SGM)存在的背景模型不能很好地自适应背景变化、目标检测不完整的问题,提出了一种改进的单高斯背景模型运动目标检测算法,该方法结合单高斯背景模型和mean shift原理对运动目标进行检测。取前N帧视频样本的均值作为初始背景模型,对当前帧图像进行运动目标的初检测,根据单高斯背景模型更新原理用当前帧图像对检测为背景的点进行背景模型更新,对更新后的背景模型中不属于背景点的像素点进行mean shift修正,将进行mean shift修正后得到的背景模型作为最终的背景模型,再通过背景差分法最终检测出运动目标。实验表明,改进的算法能很好地克服背景模型不能自适应背景变化的缺点,目标检测完整度比传统的单高斯模型高。     

基于改进的混合高斯模型的红外运动目标检测

传统混合高斯模型中背景容易留下运动"虚影",同时在噪声或目标区域对比度低时会导致提取目标区域时出现断裂和空洞的现象,针对这些问题在混合高斯方法中赋予图像中运动和静止区域不同的背景更新速率,并充分利用混合高斯模型中的背景和前景信息,将背景减除的结果与高斯建模中的前景图像按照一定比例融合获得目标图像。实验结果表明:改进后的混合高斯模型运动目标检测方法,能够克服传统高斯模型目标检测中存在的问题,从复杂的背景中较完整的提取出运动目标,且具有一定的抗噪能力。     

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.     

基于高斯混合模型的运动动作跟踪研究

为提升运动动作检测及跟踪效果,文中提出基于高斯混合模型的运动动作跟踪方法,该方法利用高斯混合模型经参数初始化、参数更新、背景选取以及前景检测等步骤,确定运动动作目标前景区域,获得清晰度较高的图像运动动作检测结果;并采用卡尔曼滤波算法,经运动目标外接矩形标定、特征信息计算提取运动特征后,通过构建帧间关系矩阵,预测估计运动动作区域,实现运动动作跟踪并输出结果。经实验验证,该方法在图像预处理阶段能够获得较为清晰的待跟踪图形,且运动动作检测准确率较高,跟踪误差小,运动动作跟踪效果好。     

混合模型的运动目标检测与跟踪算法

针对运动目标检测与跟踪算法计算准确率低、效果差的问题,结合Kalman滤波算法,提出一种基于高斯混合模型的运动目标检测与跟踪算法。对传统的权重更新机制进行改进,以保证背景的持续更新状态。建立高斯混合模型,对运动目标图像进行处理,对图像中的参数信息进行实时更新,在Kalman滤波器的性质影响下进行目标跟踪,将获取的运动目标位置作为信息输入,完成运行并跟踪。在更新的过程中,根据运动目标的状态确定矩阵,目标遮挡也不会影响追踪的效果。结果表明,利用Kalman滤波器对运动目标进行跟踪,可以取得良好的运动目标跟踪效果。     

基于YC_bC_r颜色空间的背景建模及运动目标检测

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。首先在YCbCr颜色空间采用自适应高斯混合模型对背景的每个像素建模;然后,对输入的当前帧图像的每一像素值与该像素点对应的高斯混合背景模型的各个高斯模型进行比较,将前景运动区域（包括运动目标、投射阴影）从场景中提取出来;最后,采用局部二元图（Lo-cal Binary Pattern,LBP）来提取纹理特征,利用背景在阴影覆盖前后的纹理相似性去除投射阴影,同时结合阴影的空间几何特性优化运动目标检测结果。实验结果表明,该算法能有效地检测出投射阴影和运动目标,具有较高的实际应用价值。