一种改进的运动目标检测算法

针对目标检测过程中的背景变化、光照变化、阴影对检测的影响,提出了一种改进的运动目标检测算法。首先利用改进的统计方法建立了目标的背景模型,并实时地对背景模型进行更新,最后将检测出的目标采用融合HSV颜色信息和纹理特征的混合高斯阴影模型方法来去除阴影。实验结果证明,该算法在场景中有目标运动的情况下。能够准确地建立背景模型,并能去除阴影影响,提高系统的检测准确性。     

基于自适应混合高斯模型的运动目标检测

研究视频监控系统中序列图像的运动目标检测问题。传统的目标检测方法无法克服背景图像变化、场景光线突变等问题。采用混合高斯分布对背景进行建模,并根据输入的当前帧图像的像素信息进行背景模型更新,能够准确地检测出运动目标。通过相关仿真实验,验证该方法具有一定的可靠性。     

基于自适应混合高斯模型的前景目标检测

在计算机视觉研究中,从视频序列中提取出前景目标是关键步骤之一。而混合高斯背景模型是前景目标检测的一种常用算法。针对传统混合高斯建模过程中分别对每个像素建立固定个数的高斯模型和相同的学习率这一缺陷,本文先对视频帧进行了分块处理,然后自适应的对每个像素块采取不同的高斯分布个数和学习率,并且在建模过程的不同时间段采用不同的学习率,最后对检测结果在空域上进行数学形态学的处理。实验结果表明,与传统检测方法相比,该方法能够更加准确和快速地检测出前景目标。     

一种基于混合高斯模型运动目标检测新算法

针对传统的混合高斯模型算法检测时存在较多噪声的不足,提出了一种基于混合高斯模型与三帧差法相结合的运动目标检测算法。该算法首先分别通过混合高斯模型算法和三帧差法各获得一幅前景图像,然后将两幅图像进行逻辑或运算;再对获得的图像进行自适应中值滤波处理,并利用连通域阈值面积去噪法除去剩余的噪声,最终提取出运动目标。实验仿真结果表明,利用该方法可以有效地提高运动目标的检测率。     

基于空间信息高斯混合模型的运动车辆检测

针对传统的高斯混合模型运动目标检测法仅仅在像素域的时间尺度上对像素进行分类,而忽视空间位置信息,导致在背景图像和场景的动态变化情况下造成误判等问题,提出了一种基于空间邻域加权的高斯混合模型的运动车辆检测方法.该方法首先根据像素的空间尺度上特征信息,定义了一个具有抑制噪声能力的空间信息函数;然后设计了具有空间约束的当前像...     

基于PCNN的高斯混合模型运动检测改进方法

针对同定摄像机的视频监控系统,提出了一种改进的基于混合高斯模型的运动目标检测方法.改进方法引入PCNN算法,针对模型匹配问题,提出自适应局部阈值算法并结合区域增长思想,利用PCNN的迭代计算,逐步检测出运动目标.实验表明,改进的方法与传统方法相比具有更好的运动目标检测能力,在运动目标和背景的灰度值差别比较小的情况下,能改善其运动目标检测的效果.     

混合高斯模型下的自适应阈值阴影检测

针对现有阴影检测算法参数众多,需要训练参数或者手动设置阈值的缺点.文章提出一种基于HSV颜色信息的自适应阈值阴影检测方法,并利用最大熵阈值分割实现自适应阈值阴影检测.实验表明,该方法能够准确地检测出阴影,鲁棒性强.     

改进的混合高斯模型的运动对象分割算法

针对视频序列中运动对象分割问题,提出一种改进的混合高斯模型分割算法.该算法首先由混合高斯模型得到前景,之后用当前帧的前景区域与上一帧对应位置做差,区分出实际变化区域及误检区域并为误检区域赋予较大的更新速率,从而有效地改善了长时间静止物体转为运动后留下的"鬼影"及光线突变导致的大面积误检情况.采用阴影抑制和形态学滤波使得前景目标分割的性能得到有效的提高.实验表明,本算法能够迅速响应实际场景的变化,准确分割出运动对象.     

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.     

基于改进混合高斯模型的前目标提取算法

前目标提取问题已经得到广泛的研究,而传统的混合高斯背模型提取的前目标含有许多误差点。针对这一缺点,本文对静态态背和动态背两种情况建立一种基于局部密度特征的改进的混合高斯模型,并设计相应的提取算法。实验结果表明,新算法可以精确地将前目标与背目标分离,得到的提取效果基本不含误差点,明显优于传统的混合高斯模型。     

基于高斯混合背景模型运动检测的研究

研究了运动对象自动检测方法,针对传统的光流法、时间差法存在的不足,采用一种经典的背景模型提取运动对象,即高斯混合背景模型。对于模型参数的更新,摈弃计算量大的EM算法,采用一种拟合方法,使得算法的计算开销大为降低,提高了运算效率。通过在不同分环境多次实验,证明算法具有很好的鲁棒性、准确性。     

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。     

基于边缘检测与码本模型的运动目标检测算法

传统的码本模型能够快速完整的检测出运动目标,但检测出的运动目标边缘不准确,同时易受到阴影的干扰。针对这一问题,本文提出了基于边缘检测与码本模型的运动目标检测算法。该算法在码本模型提取运动目标的基础上,利用基于YCrCb色彩空间的阴影去除算法消除阴影;然后根据Canny边缘检测算子和形态学闭运算获取运动目标的边缘轮廓。将阴影去除得到的运动目标与边缘检测得到的边缘轮廓进行“与运算”,得到最终的运动目标。经过实验仿真,本算法能够提取边缘轮廓准确和完整的运动目标, 同时能有效的抑制噪声。     

基于高斯混合模型自适应肤色识别算法

肤色识别是色情图像识别、人脸检测等图像处理技术的关键步骤,肤色识别效果的好坏直接影响相关图像处理技术的效果。图像中存在干扰因素时基于单高斯模型的肤色识别效果不佳,为了解决这个问题,在YCbCr色度空间基础上,提出了基于高斯混合模型自适应肤色识别算法。实验表明该算法识别效率较高,能较好地识别存在干扰因素图像中的肤色,具有一定的实用性。     

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...     

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.     

基于高斯金字塔的运动目标检测

针对自然环境下运动目标检测背景动态变化问题,提出一种新的基于高斯金字塔模型的背景差分算法.首先将图像序列进行多尺度分解,得到不同分辨率下的当前帧和背景帧;然后,在不同分辨率下采用高低双阈值进行背景差分运算,得到双阈值产生的2帧前景图像,阈值根据环境自动获取;最后,将各层差分图像自顶向下融合检测感兴趣的运动目标,并在HSV空间中去除阴影.背景模型的初始化和更新方法基于2种假设:一是背景点出现的概率较大;二是距离当前帧越近的点越能真实地描述背景.研究结果表明:该算法能有效地应用于动态背景环境下,可以克服光照变化及阴影的影响.多个标准图像序列的测试证明了该算法具有较高的准确性、鲁棒性和自适应性,时间复杂度低,可以运用于实时检测系统中.     

基于运动目标检测的交互式图片浏览系统

研制了一种基于运动目标检测技术的交互式图片浏览系统.首先使用高斯混合模型对背景进行建模,提出把传统的RGB颜色空间转化为YCbCr颜色空间的改进方法,以提高检测算法对光照变化的鲁棒性,实现对前景移动目标的有效检测,进而分离出目标对象,同时结合肤色检测技术和Canny边缘检测算法来实现对移动目标的定位.最后对实际开发的系统进行功能测试验证,取得了良好的预期效果.     

基于四帧帧差和混合高斯模型的运动目标检测

鉴于传统的帧差法检测准确率不高,容易造成检测错误等问题,提出了一种改进的视频序列运动目标检测算法.该算法将混合高斯模型与改进的四帧差分算法相结合:首先,改进的四帧差分是取连续的四帧——第1帧与第3帧、第2帧与第4帧分别进行差分二值运算,采用动态阈值以适应光线变化,将差分的结果轮廓填充,进行"与"运算;然后,将混合高斯建模后得到的运动目标与改进的四帧差分算法得到的运动目标,进行逻辑"与"运算;最后,通过形态学处理检测出运动目标.实验结果证明,改进的算法既能适应光照的变化,又能有效克服空洞的现象,与同类算法相比,具有更高的鲁棒性和准确率.     

基于风险决策与混合高斯背景模型的前景目标突变快速检测

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,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,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.