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.     

基于改进ViBe算法的运动目标检测

ViBe算法是一种基于静态背景下的运动目标检测算法，针对其“鬼影”问题和运动目标静止时会被更新为背景的问题提出了改进ViBe算法，即对原ViBe算法的背景模型初始化、动态阈值、前景分割和背景模型更新等4个部分进行了改进。采用均值法获取的背景图像初始化背景模型，可消除“鬼影”;利用计数法控制前景分割动态阈值，使前景图像更加准确；使用帧差法思想改进前景分割，使前景图像更加完整；通过引入阈值保证背景模型更新的稳定性。根据试验结果可知，改进ViBe算法对正常移动车辆、较小运动目标和存在静止情况的运动目标都有较好的检测能力，解决了“鬼影”问题和运动目标静止时会被更新为背景的问题，同时相较于原ViBe算法和其他常用运动目标检测算法，改进ViBe算法在保证准确性的基础上提高了检测的完整性。     

自适应背景更新及运动目标检测算法

从视频中检测运动目标是智能视频监控应用中的一项关键技术.文中提出了一种基于区域的自适应背景更新及运动目标检测算法,首先使用高斯模型建立初始的静态背景图像,通过背景减法得到差值图像;然后使用自适应阈值对差值图像进行二值化,并利用形态学滤波和连通区域面积检测进行后处理,得到运动目标区域掩模;最后,根据运动目标区域掩模检测出运动目标,同时使用基于区域的自适应背景更新算法动态更新背景图像.实验结果表明,该算法能够自适应地对背景模型进行更新,对于背景的扰动、光线的渐变等带来的影响有很好的抑制作用,可以有效地检测出运动目标.     

基于改进的混合高斯模型的运动目标检测方法

针对传统高斯模型学习速度慢问题,提出了一种基于新的背景模型更新模式的目标检测方法.首先,对彩色图像建立混合高斯模型,并且采用新方法更新背景模型,即不同的阶段使用不同的更新方程,然后由背景差分得到基本准确的前景图像,其次利用基于颜色差、亮度差和梯度差的阴影检测算法削除前景图像的运动阴影,最后利用形态学滤波、连通组件分析和种子区域增长进行后处理.实验结果表明,该方法不管在室内还是在室外都能很好地消除阴影,准确地提取运动目标.     

基于改进的自适应混合高斯背景模型的车辆检测方法

针对静止摄像机条件下运动车辆的检测问题,提出一种改进的自适应混合高斯背景模型的方法.该方法初始时通过三帧差分法判断运动目标所在区域,运用提出的区域背景更新算法生成初始背景图像,然后在Stauffer等人提出的自适应混合高斯背景模型的基础上融入帧间差分和背景差分相结合的方法用于判定运动目标区域和背景区域,通过对背景区域和运动目标区域设置不同的学习率来更新背景模型,提高了模型的收敛速度.实验结果表明,同传统检测方法相比,改进的算法能较快地初始化背景模型并能有效地检测出运动车辆,有较强的鲁棒性和较好的自适应能力.     

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．     

基于改进K均值的运动目标检测算法研究

背景建模是运动目标检测的关键环节,提出了基于改进K均值背景建模的方法,并进行前景提取．该算法在HSV颜色空间对视频流的前N帧中的每个像素样本进行K均值聚类学习,K均值聚类的结果用来表示该像素螅背景模型;接着输入的视频流像素与背景模型比较,进行背景、可能前景和阴影的分离,并提出了一种像素相关的选择性背景更新机制;然后利用TOM（Time Out Map）方法来消除鬼影现象．实验结果表明该算法能够很好地对背景进行建模,较精确地提取出运动目标信息,对光照变化具有较强的鲁棒性．     

基于块计数的交通背景实时更新方法

为了提高运动目标检测质量,提出以了一种新的基于块计数的选择性背景更新方法,在线学习像素块的变化。首先对传统的中值滤波方法进行改进,基于此方法建立视频的初始背景;然后对训练序列中相邻帧的对应块做临时差,对差值在阀值范围内的块进行累加计算并将结果保存在计数器中,通过对计数器的实时监测,有选择性的根据当前帧和背景中的块值对背景进行更新。结果表明:与标准的码本方法相比,提出的方法在视频2的学习速度、前景提取速度、准确率方面分别提高了10%、3%和5%;与高斯混合模型、码本、统计和知识库方法相比,该方法在学习和检测时间上比其他方法快;在检测结果上,从真报警率和误报警率看有较高的辨别度,检测错误的像素比较少。     

车辆视频检测中自适应背景更新算法的研究与仿真实现

本文主要对车辆视频检测中基于高斯混合模型的自适应背景更新算法进行了研究和仿真实现,并针对图像初始化的几种方法进行了研究和仿真.混合高斯模型算法可以较好地提取多模态图像中的背景与前景,统计直方图法则能较好地提取初始背景,实现背景更新.     

一种实用的背景提取与更新算法

针对几种传统算法运算复杂、实时性差、得到的背景易失真等不足,本文给出了一种实用的背景提取及更新算法.通过平均法求系列图像的均值和平均差值,之后去除差异大的点,然后再次求平均得到初始背景.背景更新时,利用三帧差分和自适应阈值法得到当前帧的二值图像,并考虑前景目标后更新得到新的背景.实验表明,上述算法所取得的背景效果良好,并可快速有效地对背景进行更新.     

基于三帧差分混合高斯背景模型运动目标检测

针对混合高斯背景模型运动目标检测的光照突变误检以及突然运动目标的“鬼影”问题,提出了一种基于三帧差分的混合高斯背景模型运动目标检测算法。通过图像前景检测比例判断光照是否发生突变,利用三帧差分法对图像的背景区域、运动区域和背景显露区域进行划分,并根据光照情况及时改变各区域的学习率以调节混合高斯模型背景迅速更新,设计了基于三帧差分的学习率自适应混合高斯模型背景更新的方法。该方法使光照突变及目标突然运动后产生的新的背景模型得到迅速更新,从而改善这两种情况下运动目标检测效果。实验结果表明,该算法避免了光照突变时的大面积误检现象,并且同时解决了突然运动目标的“鬼影”问题。     

基于区域信息的自适应码本目标检测算法

运动物体检测是视频监控系统的一个重要组成部分。针对经典码本目标检测算法存在的自适应动态背景能力不足,以及在复杂环境下检测精确度差的问题,提出一种基于区域信息的自适应码本目标检测算法。首先,利用添加学习率的方法对背景模型进行自适应更新以使其适应不同的光照环境。其次,结合区域信息,将待检测像素的码本和周围像素的码本融合,得到更为精确的背景模型。最后,对前景像背景一样进行建模和更新,使得前景和背景模型可以在预设参数的控制下相互转化,消除由于背景变化造成的误检。实验结果表明:所提算法在有随机噪声及光照变化的复杂环境下,依然具有较好的检测率和较好的鲁棒性。基本满足动态场景中运动目标检测的精度高、速度快、抗噪强以及光照适应性好等要求。     

一种基于目标定位的背景建模与视觉跟踪方法

提出一种基于目标定位的背景建模方法,通过对视频序列中运动目标的位置进行预估,将前景点与背景点初步分离,进而构建背景模型,有效避免了传统时间平均法构造背景时产生的前景目标与背景混合的现象.实验结果表明,该方法无需预先存储背景图像即可实现场景中运动目标的提取与跟踪,弥补了传统背景差法需要事先提供背景帧以及对背景变化缺乏适应性的缺陷.     

基于交叉协方差子空间估计的前景检测方法

提出了一种基于交叉协方差子空间估计的背景建模方法,用以实现复杂场景下的前景检测.基于交叉协方差的主成分分析方法可以保留更多的图像协方差信息,因此非常适合用于背景模型的构建.本文首次将基于交叉协方差的二维主成分分析方法引入至背景建模领域,并且提出了相应的增量更新算法来实现背景的自适应估计.此外,本文考虑了前景的稀疏性及连续性,并将其合理应用于前景检测过程中.定量实验和定性分析表明,本文提出的方法具有较强的鲁棒性,可以实现复杂场景下的准确背景建模.      

Background Subtraction and Frame Difference Based Moving Obiect Detection for Real-Time Surveillance

A new real-time algorithm is proposed in this paper for detecting moving object in color image sequences taken from stationary cameras. This algorithm combines a temporal difference with an adaptive background subtraction where the combination is novel. When changes occur, the background is automatically adapted to suit the new conditions. For the background model, a new model is proposed with each frame decomposed into regions and the model is based not only upon single pixel but also on the characteristic of a region. The hybrid presentation includes a model for single pixel information and a model for the pixel's neighboring area information.This new model of background can both improve the accuracy of segmentation due to that spatial information is taken into account and saliently speed up the processing procedure because portion of neighboring pixel can be selected into modeling. The algorithm was successfully used in a video surveillance system and the experiment result shows it can obtain a clearer foreground than the single frame difference or background subtraction method.     

基于流行排序的前景背景显著性检测算法

为准确提取图像显著区域,提出基于流行排序的前景背景显著性检测算法。首先,采用SLIC(simple linear iterative clustering)方法对经平滑处理的图像进行超像素分割。然后以超像素作为图中节点,采用自适应参数计算节点之间的权重以解决因采用固定值导致的图像效果不理想的问题。其次,在计算背景查询节点时,通过阈值剔除边界超像素中不属于背景的像素,以保留合适的查询节点,避免因显著目标位于图像边界而错把非背景像素标记为背景查询节点的问题。最后,因前景优先方法可以有效抑制背景噪声,而背景优先方法对背景噪声抑制不足,但可均匀突出前景目标。因此,采用相乘或者取平均的方式融合前景背景显著图以得到最终的显著图。在公开数据集MSRA、SED2及ECSSD上与其他算法进行实验对比,实验结果证明了算法的有效性。     

基于前景概率函数的目标跟踪

针对不规则目标跟踪中初始窗口内包含背景像素导致特征模板不准确的问题,提出前景概率函数以及基于前景概率函数的目标跟踪算法.首先根据目标所在区域与背景区域的颜色分布建立前景概率函数,并以此计算目标区域中像素的前景概率,削弱背景像素的干扰,得到更准确的目标特征模板.将目标区域像素的前景概率引入均值迁移跟踪框架中,实现目标的迭代定位;在跟踪收敛后重新计算收敛区域中的前景概率分布,根据其反向投影图的尺度变化调整跟踪窗宽;最后利用Bhattacharyya相关系数对目标特征模板进行自适应更新.实验表明,该算法能够有效抑制背景像素的干扰,在目标尺度变化时能够准确调整跟踪窗宽,减少迭代次数,满足实时跟踪的需要.在复杂背景中跟踪性能也始终优于传统的均值迁移跟踪算法.     

基于多尺度超完备字典的飞机目标检测算法

天空背景的复杂性与飞机目标的多样性,对基于传统目标检测算法的飞机目标检测带来了巨大的挑战。本文基于图像的稀疏表示理论,提出了基于多尺度超完备字典的飞机目标检测算法。算法综合了不同尺度下超完备字典各自的优点：利用低分辨率图像块学习小尺度字典,构造小尺度分类器,在低分辨率测试图像中完成前景粗检测;利用高分辨率图像块学习大尺度字典,构造大尺度分类器,在高分辨率测试图像中完成前景精检测;最后通过飞机图像块学习飞机目标字典,构造飞机目标分类器,完成前景目标分类。实验结果表明,算法能有效完成天空背景下的飞机目标检测任务,时间开销与小尺度字典目标检测相当,但在精度上逼近大尺度字典目标检测。     

基于背景更新的运动车辆检测算法研究

在基于视觉的智能交通系统中,运动车辆的检测是最基础也是最关键的步骤。目前运动车辆检测中最常用的方法是背景差分法。该算法的关键在于背景图像的获取,由于背景图像的动态变化,为了有效的对车辆进行检测,需要对背景进行实时更新。因此,提出了一种新的基于像素点灰度值变化的自适应更新背景的算法,该算法在背景变化的情况下,能实时地修正或更新当前背景图像,再结合差分法与阈值化分割出完整的运动目标。通过实验证明了算法的有效性和实时性。     

自适应背景建模及运动目标的检测

提出一种能在动态摄像机场景下检测前景物的算法(AGMM).本方法采用角点特征对前后两帧图像进行匹配,估算两帧图像的移动向量,并以此校正高斯混合模型(GMM),并在此基础上进行背景的重建以及前景物的分割.以不同场景的视频序列对本算法和GMM算法进行比较.实验结果表明,提出的算法能够适应动态摄像机场景,以牺牲一点复杂度为代价,大大提高检测精度,并且在摄像机移动比较大的位移时仍然可以得到正确的结果.