融合聚类法的改进三帧差分车辆检测算法

针对三帧差分法在车辆检测任务中出现的前景点误检和漏检问题，提出了一种融合K-means聚类的改进三帧差分车辆检测算法。首先，综合当前图像分别与改进算法所选两帧的差分结果，初步判定像素点类别并定义待分类点；其次，结合待分类点在三帧内的灰度特征对其进行K-means聚类，并依据点的坐标信息修正聚类结果，得到待分类点类别；最后，设计车辆形状修正方法，填补空洞并修正目标边界，完成检测。实验结果显示，改进算法在2种不同场景视频上的检测效果达到了81.72%的平均精确率、93.85%的平均召回率以及87.34的平均F₁值，各指标值相比于原三帧差分法平均有11.86%提升，较好解决了检测中前景点误检和漏检的问题。     

面向运动目标检测的ViBe算法改进

背景差分法是静态背景下运动目标检测的常用方法,ViBe算法是它的主要建模方法之一.针对ViBe算法对鬼影消除缓慢的问题,提出了结合帧间差分技术的ViBe改进算法,使用帧间差分技术通过记录相关像素值的时域变化来判断鬼影像素,提高消除鬼影的速度.针对ViBe算法的固定阈值不能反映每个像素具体情况的问题,提出了一种自适应阈值的方法,可根据像素值的变化为每个像素设定阈值,提高前景检测的准确度.实验结果表明,结合帧间差分技术的ViBe算法能够较快地消除检测结果中的鬼影,应用自适应阈值的ViBe算法能够更准确地进行前景检测.     

基于改进ViBe算法与三帧差法的运动检测算法

针对ViBe(visual background extractor)算法存在的鬼影和漏检问题,文章提出了一种基于改进ViBe算法和三帧差法的运动目标检测的方法。首先针对ViBe算法检测结果存在鬼影的问题提出一种改进的方法,改变ViBe算法中仅通过第1帧建立背景模型的方式;该文在前5帧中每个像素点的邻域随机选取4个像素点建立一种具有时间和空间信息的背景模型进行运动检测,并采用"或"类型三帧差法做"或"运算改善漏检的问题;然后对显著性检测结果做"与"运算去除过检点以提高运动目标检测的准确性;最后进行适当地后处理得到最终的检测结果。该算法能够去除噪声、抑制鬼影以及减少空洞点,实验结果表明能够快速并准确地检测出运动目标。     

采取阶段性改进的全新ViBe目标检测算法

针对ViBe (Visual Background extractor)算法在目标检测过程中易产生鬼影问题和检测目标不完整问题,从ViBe算法处理过程的主要阶段出发,提出一种全新的ViBe目标检测算法.首先,在模型初始化阶段,利用前m帧视频序列对应像素点的均值构建背景模型,同时将原算法的8邻域改为24邻域进行样本选取以及动态调整匹配半径;然后,在目标检测阶段,引入最大类间方差法来计算当前图像帧的最佳分割阈值,进而对前景像素进行二次判别;其次,在背景模型更新阶段,根据背景变化快慢程度动态地调整更新因子;最后,对获得的前景图像进行形态学处理得到最终的前景目标.实验结果表明,改进后的ViBe算法使鬼影问题得到有效解决,目标检测的准确度和完整度也有大幅提高.     

融合帧间差分法和ViBe的运动目标检测算法

针对ViBe(visual background extractor)算法中经常出现的"鬼影"现象,提出一种融合帧间差分法和ViBe算法的运动目标检测算法。首先采用帧间差分法和ViBe算法对视频序列连续三帧分别做运动目标检测;然后对两个相互独立的检测结果进行逻辑运算并更新背景模型;最后对运算结果依次执行开运算、闭运算,从而得到准确的运动目标区域。选择3种常见环境下的视频序列进行试验研究,结果表明我们提出的这种算法可以有效去除"鬼影",具有良好的鲁棒性和实时性。     

基于帧间差分的ViBe运动目标检测

针对光线变化时现有前景检测方法易将背景检测为运动目标、形成大片阴影的问题,本文利用帧差法对光线变化的不敏感性,对基于ViBe的背景建模、前景检测算法进行改进。结合帧间差分的ViBe前景检测方法包括背景初始化、背景模型更新及后期图像处理三个模块。该方法在更新背景模型时,加入了帧间差分判别多阈值比较,并依据帧间差分的结果对背景更新率进行动态调整,最后对背景建模后的检测结果进行形态学处理,针对大的噪点进行轮廓提取及判定,最终检测出运动目标。针对不同条件下监控视频的试验结果表明,本文方法初始化速度快、实时性好,有效地抑制了由于光线干扰形成的大片鬼影区域。     

一种对阴影鲁棒的背景建模算法

为消除前景图像的阴影,提出了一种基于尺度不变局部三元模式(SILTP)的视频图像背景建模算法。该算法利用图像帧级、图像块级和像素级三级信息进行设计.在图像帧级,利用全局灰度均值处理亮度突变;在图像块级,利用SILTP纹理图像基于图像块进行背景建模,快速定位前景目标大致轮廓;在像素级,用类ViBe算法检测前景目标精确边界.实验表明该算法不仅可有效消除前景图像的阴影,对复杂场景亦具有较好适应性.     

一种基于改进三帧差分和ViBe算法的运动目标检测算法

近几年提出的ViBe算法具有运算速度快,目标提取准确率高的特点,但是它对光照的突然变化也非常敏感,而且由于它的模型初始化的方式,也容易形成"拖影"现象。文中先通过引入传统三帧差分算法难以提取出完整的目标轮廓这一问题,提出一种结合边缘检测的改进三帧差分算法。该算法在提取出完整的运动目标的同时不会附加冗余的边缘信息。然后将该算法引入到ViBe算法中,使2种方法结合,一方面消除"拖影"现象,另一方面可以自适应地选择检测的方法,以消除光照突变造成的影响。试验结果表明,该改进算法是一种适应性强、鲁棒性高的运动目标检测算法。     

面向运动目标检测的改进ViBe算法研究与实现

ViBe算法容易实现且运算效率高等优点，在运动目标检测等领域中获得广泛运用，但其也存在一些缺点，如鬼影、空洞、漏点以及运动目标检测不完整等问题，针对这些不足，从ViBe算法处理过程的主要阶段出发，提出一种改进的ViBe算法.首先用迭代累积背景法获取真实背景用来抑制鬼影问题，其次把真实背景分别用于帧差法和改进的ViBe算法中，帧差法可用来弥补视频序列帧中边界处像素点遗漏问题，改进的24领域ViBe算法用来提高模型精度，再把两个结果进行“或”运算，最后利用形态学进行处理用以消除小噪声干扰，使得到的目标更加完整.该算法能够去除噪声、抑制鬼影以及减少空洞点，实验结果表明，与传统的ViBe算法相比，能够有效抑制鬼影以及减少漏点问题，提高运动目标检测精确度.     

一种改进视觉背景提取（ViBe）算法的车辆检测方法

视觉背景提取(visual background extractor,ViBe)算法应用在车辆检测时存在一个比较明显的缺点,即当视频第1帧中存在待检测的移动车辆时,在后续帧的车辆检测过程中,对应第1帧中车辆的位置处会出现鬼影并且鬼影会持续一段时间才会彻底消失,从而干扰后续帧的检测效果。提出一种改进的ViBe建模方法,新方法在前n帧中实现初始模型的初始化,并结合ViBe算法的更新方法进行模型更新。在不同分辨率、不同场景的视频中对原算法和提出的改进方法进行对比实验,实验结果表明,在第1帧中不包含车辆和包含车辆2种情况下,提出的改进的算法都能有效地检测出移动车辆且不会产生鬼影的问题。因此,改进方法比原算法更有效和实用。     

基于改进ViBe的多行人检测方法

利用改进的Vi Be算法及模板匹配方法对多行人场景进行了目标检测.为了提高运动目标检测性能,提出将原Vi Be算法与帧间差分相结合的方法,该方法使二值图像中的鬼影比原Vi Be算法消除更为迅速.根据待处理像素点周围已完成的前背景分离结果,利用动态计算模型参数估计前背景,以提高前景目标提取的准确度.基于HOG算法识别运动目标中的行人目标.实验结果表明,该方法在没有降低运动物体检测实时性的同时,明显提高了算法检测的准确度.     

一种改进的PBAS运动目标检测算法

针对现有PBAS目标检测算法在动态背景下存在着误检率高、检测精度较低的问题,提出了一种将改进的自适应决策阈值更新策略与优化处理方法相结合的目标检测算法。该算法首先使用改进的自适应前景判断阈值进行目标检测,然后对检测的结果使用前景点生命周期机制、形态学处理等方法进行优化处理。实验结果表明,与传统的PBAS算法相比,该算法在动态背景下可以更精确有效地提取出运动目标,准确度平均提高13%。     

基于视频流的运动人体检测方法研究

提出一种基于对称帧间差分与背景减除相结合的运动目标检测和自适应背景更新方法.该方法首先建立背景模型,采用帧间差分法将当前帧图像分别与其相邻两帧图像相比较得到运动目标前景部分,并将三帧中变化率小于某一阈值的像素点以一定的更新率实时更新到背景模型中.同时,采用背景减除法对所建立的背景模型进行前景提取,将两种方法所获得的前景图像进行融合,再通过数学形态学运算去除噪声及小面积非人体运动部分,最终得到完整可靠的运动人体二值图像.实验结果表明该方法准确高效,能很好地克服光线的影响,提高监控系统的稳定性.     

交通监控系统中基于多源信息融合的运动阴影检测

针对目前运动提取算法常将运动阴影错误检测为前景目标的问题，提出了一种交通监控系统中基于多源信息融合的运动阴影检测算法．在颜色空间中利用亮度、色度和边缘信息检测阴影的可能区域，使用逻辑“与”操作融合多源检测结果得到最终的阴影区域．与其他算法相比，新算法能更好地区分前景尤其是暗色前景及其阴影，提高了阴影区域的检测精度，更准确地实现了运动目标的提取．仿真实验表明，对不同颜色和尺寸的前景引起的阴影，算法都能鲁棒地分离目标及其阴影区域，前景提取效果好．     

基于Clifford代数的多光谱图像边缘检测

为了充分利用多光谱图像不同图层之间的关联性,采用Clifford代数描述多光谱图像.在Clifford代数空间中,定义了多光谱图像的Clifford微分与Clifford梯度.在此基础上,提出了一种新的多光谱图像边缘检测与融合算法.该算法首先计算出各像素点的Clifford梯度,进而得到Clifford梯度范数;然后以此为依据,判断像素点是否为边界点,从而得到多幅边缘检测图像;最后,将这些图像融合,便可得到最终的边缘图像.与基于最大熵的多光谱图像边缘检测算法的比较结果表明,算法由于利用了多光谱图像不同图层之间的关联性,因而可以更好地保留边缘信息,获得更完整的边缘检测效果.     

基于粒子群模糊聚类算法的边缘检测仿真

将粒子群优化算法与模糊C-均值(FCM)聚类算法相结合,并应用于图像边缘检测,以期解决标准FCM算法在图像边缘检测中对初始值敏感及容易陷入局部极小的两大缺陷.首先,基于数学测度概念构造一个描述边缘点信息的特征向量,将灰度图像中的每一个像素点看成是一个数据样本,将该点灰度值处理后构成其边缘点信息特征向量,形成具有三维特征的数据集;然后对这个数据集应用粒子群模糊聚类算法进行分类,自适应地检测出图像的边缘点,达到提取边缘的目的.仿真实验表明,此算法具有良好的抗噪性能,能够得到较好的边缘效果,提高了边缘定位的精度.     

基于风险决策混合高斯背景建模快速检测前景目标突变

将风险决策引入前景目标的突变判断中，通过设计一个时序计数器函数来记录图像上某一像素点被划为前景的次数，当次数大于某一阈值时，将该像素从前景点改判为背景点，据此可以估计该像素点为背景点的概率，做出风险决策，以便及时更新混合高斯背景模型参数，从而减少多个高斯模型的高额计算量．最后通过实验验证了算法在目标检测率和实时性方面的改进．