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.     

一种基于改进码本模型的背景分割算法

针对原始码本模型算法参数多且难以设定、背景模型更新缓慢、背景容易被误判为前景目标等问题,本文提出一种改进的码本模型背景建模算法。该算法以像素点的均值和方差作为码本背景中码字的参数,用高斯正态分布判断该像素值是否匹配某个码字,采用以码字出现频率为参数的动态更新率来更新高斯正态分布中的均值及方差;采用两层的背景建模技术添加与删除背景码本中的码字;并增加频率阈值来判断某个像素值对应的码字是否添加入/删除出背景码本模型或缓冲区码本模型。实践证明,该算法能在复杂的场景下准确的分割出运动目标,且快速实用,能应用于实时视频图像处理中。     

改进的码本模型背景建模算法

针对原始码本模型算法参数多且难以设定、背景模型更新缓慢、背景容易被误判为前景目标等问题,本文提出一种改进的码本模型背景建模算法。该算法以像素点的均值和方差作为码本背景中码字的参数,用高斯正态分布判断该像素值是否匹配某个码字,采用以码字出现频率为参数的动态更新率来更新高斯正态分布中的均值及方差;采用两层的背景建模技术添加与删除背景码本中的码字;并增加频率阈值来判断某个像素值对应的码字是否添加入/删除出背景码本模型或缓冲区码本模型。实践证明,该算法能在复杂的场景下准确的分割出运动目标,且快速实用,能应用于实时视频图像处理中。     

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,本文提出了一种基于混合高斯背景模型的像素分类运动目标检测方法.该方法首先利用混合高斯模型对背景建模,克服了场景变化等因素带来的影响;其次,利用背景减法得到差分图像并对像素进行分类,最后对分类后的像素集分别进行阈值化分割,得到前景目标.实验结果表明,与传统的基于全局阈值的分割法相比,本文算法能够获得更好的检测效果和鲁棒性.     

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.     

一种基于反馈信息的视觉图像背景建模方法

高斯混合模型已经广泛应用于视觉图像的运动目标提取.但传统高斯混合模型存在静止前景融入背景的问题.为了解决这个问题,提出了一种特定场景下基于反馈信息的背景模型更新改进算法.首先采用基于形状特征的目标分类器将前景目标识别为行人和车辆,然后通过多目标跟踪判断目标是否静止,进而将前景目标识别为静止行人,运动行人,车辆三种模式,最后将跟踪与分类的结果与高斯模型的更新相结合,根据分类后反馈的信息对不同的分类区域采取不同的学习率更新.实验结果表明,该方法能够有效地解决特定场景中前景融入背景的问题.     

基于自适应高斯概率的阴影检测

提出一种基于自适应高斯概率的运动阴影检测方法．用高斯模型对阴影建模,并利用场景中的典型阴影区域初始化均值和方差．计算背景减除得到的前景点的阴影似度概率作为是否阴影的判据,被判为阴影点的像素将作为均值和方差的学习样本用来调整和更新参数以适应场景的动态变化．实验结果表明本文算法具有较高的阴影检测率和较低的误检率．     

基于色彩分割与局部模型匹配的非刚性目标跟踪

针对固定监控场景提出了一种基于色彩分割与局部模型匹配的目标跟踪方案.利用自适应混合高斯背景模型提取前景运动目标,通过基于区域生长的色彩分割算法建立目标局部模型并实时更新,结合区域约束条件和模型特征匹配实现目标跟踪.实验结果证明,本算法能有效地实现多运动目标的跟踪,对跟踪过程目标部分遮挡与形变问题具有良好的适应性和鲁棒性.