一种混合高斯背景模型下的像素分类运动目标检测方法

运动目标检测在智能视频监控、人机交互、目标导航等诸多领域有着广泛应用.背景减法是运动目标检测中应用较广泛的一种方法.在该方法中,背景建模和阈值化分割是最重要的步骤,直接决定了检测效果的好坏.当目标本身变化比较大时,若利用传统的基于全局阈值的分割法,分割效果并不理想.针对基于全局阈值分割差分图像存在的问题,本文提出了一种...     

静态背景中运动目标的检测与跟踪系统

给出了系统的整体设计流程,采用背景减法完成目标检测与跟踪;针对不同应用领域,提出了基于时间的背景模型建立法和改进的累加平均背景模型建立法,对背景更新采用了手动更新与自动更新相结合的方法;利用全局阈值与分割因子的乘积作为阈值对减法结果进行二值化,实现图像分割;在目标检测时提出了检测区域的概念,针对不同应用领域,预设了运动目标模型;采用相邻两帧同一运动目标的距离差和面积差相结合的方法实现目标跟踪。     

基于背景差分的运动目标检测方法

针对静止摄像机下的运动目标检测问题,提出了一种基于背景减法的运动目标检测算法.通过对一组连续视频进行处理,从中得到不含运动目标的背景图像.再利用背景差分的方法提取出运动目标.在确定比较阈值的过程中,一改以往通过实验不断调整的做法,提出了动态阈值的概念,从而增强了检测效果,提高了算法的可实施性.融入了高斯模型关于背景更新的算法,克服了由于背景突然改变而造成的误检测.实验结果表明,通过背景差分与高斯模型相结合的方法,在有诸多不确定性因素的序列视频中构建背景有较好的自适应性,能迅速响应实际场景的变化,为准确地检测出运动目标提供了必要的基础.     

智能视频监控中的一种快速运动目标检测方法

为解决现有视频监控系统中目标检测算法无法应付复杂的环境且计算量较大等问题,结合背景模型算法和帧间差分的优点,对混合高斯背景方法和帧间差分进行改进,提出一种基于混合高斯模型背景法和混合差分相结合的运动目标检测改进算法.利用分块思想进行高斯背景建模,利用多帧差分实现混合差分,既能得到较高的灵敏度又能进一步提高检测效果和速度.通过实验证明该算法的可靠性和实时性.     

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(Local 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.     

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Davinci-DM6467的高斯混合模型算法的实现

针对智能监控中运动目标检测的问题,提出了基于Davinci-DM6467的高斯混合模型像素级的背景分割策略。对彩色图像建立高斯混合模型,根据场景中象素点的稳定性来调整模型参数的更新速率;通过和马氏阈值进行对比来判断是不是要更新背景模型;通过和背景阈值进行对比来判断哪几个模型是属于背景区域。经验证性实验测试,结果表明,高斯混合模型在运动检测中实时性好,对环境有较强的鲁棒性。     

基于融合邻域信息的海面运动目标检测

运动视目标检测是视频信息处理的重要研究课题之一.本文提出了一种基于高斯混合模型邻域信息融合的海面运动目标检测算法.该算法融合了背景差分和背景邻域信息差分,充分利用同一幅图像的像素邻域信息得到运动目标的种子点,认为高斯背景差分图像中包含种子点的连通区域为真实前景目标.实验表明,该方法可以避免背景模型在构建或更新阶段对场景的表征不足或错误而造成的误检,对强光下的海杂波也有良好的抑制作用,且对不同的气候环境有较好的鲁棒性.     

基于时空熵分析的组合高斯背景建模方法

为提高视频监控系统中背景高斯模型的更新速度,提出了场景运动复杂度的概念和计算方法,并在此基础上提出了一种组合高斯背景建模方法:根据像素的时空模型分析场景运动的复杂性并计算出场景的熵值图,按照最大熵阈值将熵值图分割为稳定区域和动态区域,然后在不同的区域采用不同的高斯模型及相应的更新算法.利用该方法对384像素×288像素视频文件进行前景分割,结果表明,该方法能有效地分割运动目标,具有较快的更新速度.     

基于X-ray CT的沥青混合料材质分类方法

利用工业CT获取的沥青混合料扫描图像,通常采用阈值分割法处理,通过获取全局阈值,将集料与其它物质分离,目前尚缺少沥青混合料图像分割效果的综合评价方法.文中结合图像灰度直方图分布特点,引入模式识别领域的高斯混合模型(GMM)和模糊C均值(FCM)聚类算法进行分析,并通过采取两次二分类的策略,尝试将图像区分为背景、孔隙、胶...     

一种微小视频变化的移动检测方法

提出了一种用于数字视频监控系统中运动物体检测和报警的优化背景差法。针对该算法本文进行了详细的分析,并设计了算法流程。用此算法重建背景图像以及用图像差分算法计算像素改变比例,能监测慢速、微量变化的运动物体。最后与相邻帧差法进行了实验比对,实验结果表明该方法有明显的优势。优化背景差法实现简单、快速、有效,适用于对重点区域进行微小移动监测的监控系统。     

一种基于傅里叶变换的改进ViBe算法

针对Vi Be算法在第1帧图像中含有运动目标时容易引入Ghost区域以及不能很好地去除阴影等问题.我们基于块的背景建模结合傅里叶变换,对Vi Be算法进行了改进.该算法对每一帧图像进行分块,在块内使用快速傅里叶变换,利用第1帧图像中每一块的直流分量建立背景模型,以后各帧与背景模型比较,检测出运动物体,最后通过扫描图像计算每一列前景像素的个数与设置的阈值进行比较,来消除阴影.实验结果表明,改进的算法可以快速的去掉Ghost区域以及很好地去除阴影.     

基于背景差法的运动目标检测

视频序列图像中,视频分割的主要目的是要在视频序列中分割出具有意义运动对象实体.背景差法能够很好地从一段视频中提取出运动目标.可靠的背景图像的提取是该算法的关键.表述了一种新的背景提取算法,利用图像序列的灰度统计特性来提取背景图像,并利用Surendra背景更新算法根据每帧图像对背景进行更新已获得可靠的背景.然后,将当前帧与背景作差,并对差值图像进行适当处理,这样运动目标就能够被精确地提取出来.     

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。     

基于视频的人体运动肢体检测

要实现对视频中人体动作的捕捉和分析首先要提取出人体的运动肢体,当视频中背景和人体姿态比较复杂时,帧差法、光流法等传统的运动目标提取方法并不能准确检测出人体运动肢体的轮廓.在帧差法基础上,提出了动态区域边缘点保留法来获取运动区域的边缘点集,并根据人体先验知识总结出一种边缘点整合的算法,用于对运动区域的边缘点集进一步处理,得到了人体运动肢体较为完整的轮廓.实验证明,该方法可以较好地解决背景干扰和人体及服饰的非刚性问题,比较准确地检测出人体运动肢体的轮廓.     

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.     

双阈值灰度归类背景重构算法

 针对背景差法背景重构的难点,提出了一种改进的像素灰度归类的背景重构算法。该方法假定“背景在图像序列中总是最常被观测到”,根据帧间灰度差和累计帧差和划分灰度类,对划分的灰度区间执行合并操作,最后选择出现频率最大的灰度类作为该像素的背景值。仿真结果表明,该算法有效地避免了混合现象,当场景本身存在缓慢变化时也能很好地构建出背景,从而有利于后续的运动目标检测、识别和跟踪。     

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.     

一种提高图像制导抗于扰性的方法

在图像流约束方程的基础上，提出了一种在连续时空空间里对序列图像中运动目标的速度进行估计的算法．该算法克服了以往图像流运动目标提取方法的缺点，通过在动态环境里对时间和空间轴求们导并用三维拟合模板进行数值逼近，能较准确地从具有各种光电干扰的背景中利用多出图像序列求得目标的运动参数，最终完成复杂环境下的图像制导．计算机实验的结果验证了算法的良好性能．