高斯核密度估计背景建模及噪声与阴影抑制

提出了一种多模态非参数背景模型，用于背景减方法检测运动目标。针对户外监控系统存在背景局部运动以及摄像机抖动、活动阴影等问题，利用像素邻域相关性信息进行多模态高斯核密度估计，并采用HMMD色彩值抑制阴影。通过抖动噪声去除以及阴影抑制处理，降低了目标检测的虚警率。实验结果表明该算法在运动目标检测中具有对噪声和阴影的鲁棒性，可用于户外复杂场景监控系统。     

基于采样理论的序列蒙特卡罗车辆跟踪算法

结合图像的灰度分布和空间布局，提出了一种基于灰度和空间信息的序列蒙特卡罗概率跟踪算法。通过比较采样值和期望值的特征距离来计算采样状态对应的权值。利用加权采样值来估计未知量后验概率的各阶矩，当采样数趋向于无穷时由大数定理保证，采样值分布逼近于真实值分布。仿真实验给出了利用因子采样对交通流中车辆跟踪的结果。实验表明，基于序列蒙特卡罗的车辆跟踪方法计算简单有效，可以准确地得到车辆的位置并且很好地跟踪其运动轨迹。     

一种用于运动目标检测的多模态非参数背景模型

提出了一种基于多样性采样原理的高斯核密度估计模型用于多模态背景描述.从包含运动物体的训练序列中,提取具有较高频度以及最大多样性的样本集用于背景建模.并根据新样本及邻域点在总样本集中取值的相关频度计算权值,避免了采用全部训练点产生的信息冗余和重复计算等缺点,使背景核估计的计算简单有效.对复杂场景下车辆监控系统进行实验,结果表明,该算法在提取运动物体中是有效的.