基于背景Codebook模型的前景检测算法

很多背景场景都包括复杂的运动目标,解决这种问题的较好方法是获取每个像素或者一组像素的时间序列模型,这类模型可以很好的处理时间起伏。但是,计算复杂度高而且耗时。为了获得与自适应滤波相当接近的性能。采用Codebook来建模场景中感兴趣的状态,选择RGB颜色空间模型,学习一个覆盖组成图像像素三个通道上的Codebook,可以有效的解决像素剧烈变化的问题,从而鲁棒探测出场景的前景目标。通过实验结果表明,提出的基于Codebook背景模型的目标检测方法比传统的目标检测算法具有更高的精确度和鲁棒性。     

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。     

基于块背景建模的运动目标检测

运动目标检测是计算机视觉中目标识别、目标跟踪和场景理解的前提.文中提出一种基于块的混合高斯背景建模方法,采用图像块的均值和块内方差作为块的特征对场景进行建模,并对前景块根据它的邻域块处理以得到更精确的目标区.新方法不仅考虑了像素在时间域上的分布信息,还利用了像素邻域间的信息消除虚警数,改善了传统混合高斯背景建模方法处理...     

基于图像边缘特征的前景背景分割方法

提出一种基于边缘特征的背景建模方法,将边缘分类为前景边缘和背景边缘.和以往的基于边缘的背景差方法相比,该方法可以克服由于摄像机的微小扰动而带来的误判.由于噪声的影响,得到的前景边缘往往是不闭合的,而且边缘是一种稀疏的特征表示,为了得到精确的前景连通区域,提出了基于马尔可夫随机场(MRF)的前景区域提取方法,以前景边缘像素和背景边缘像素作为种子标记,通过前景边缘像素和背景边缘像素的竞争和标记传播,得到连通的前景区域.为了提高运算效率,采用基于图分割的组合优化方法最小化能量函数.通过对室内室外多个场景视频的试验,验证了该方法的准确性和有效性.     

基于复模糊逻辑系统的运动目标检测方法

为了提高复杂场景下背景建模的准确率、抗干扰能力、效率,提出了基于复模糊逻辑系统的运动目标检测方法.使用复TSK模糊逻辑系统作为背景模型的估计,并结合粒子群优化算法和核最小均方算法来学习该复模糊逻辑系统;将前景像素看作背景像素的例外像素,提出了去除前景像素的方法,然后再去学习复模糊逻辑系统;最后根据估计的背景模型和前景图像的比较判断出前景像素.为了验证文中方法,选择了校园、高速公路和河边3个场景下的视频序列进行了测试,并与其他3个经典的方法进行对比.结果表明:文中方法在光照变化、摄像机晃动、变化背景等情况下都有较高的检测结果,其相近性测量值比其他3个方法高出0.1,且检测速度为22 f·s-1,也能满足实时性要求.     

基于GMM和MRF的自适应阴影检测

运动目标阴影在很大程度上会影响运动目标跟踪、行为识别的正确性和有效性.为此,文中提出了一种基于混合高斯模型和马尔科夫随机场的自适应阴影检测方法.该方法首先对混合高斯模型进行改进,使其可以自适应调整参数学习率以消除浅阴影;然后采用马尔科夫随机场综合邻域的空间依赖性信息进行精确的阴影检测.为了提高基于马尔科夫随机场的阴影检...     

一种对阴影鲁棒的背景建模算法

为消除前景图像的阴影,提出了一种基于尺度不变局部三元模式(SILTP)的视频图像背景建模算法。该算法利用图像帧级、图像块级和像素级三级信息进行设计.在图像帧级,利用全局灰度均值处理亮度突变;在图像块级,利用SILTP纹理图像基于图像块进行背景建模,快速定位前景目标大致轮廓;在像素级,用类ViBe算法检测前景目标精确边界.实验表明该算法不仅可有效消除前景图像的阴影,对复杂场景亦具有较好适应性.     

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.     

基于改进的codebook算法的运动目标检测

针对传统的codebook算法在面临复杂的环境背景干扰下进行运动目标检测中存在算法冗余的问题,提出一种改进的codebook运动目标检测算法.通过改进的码本描绘背景中感兴趣的码元进行建模,同时选择YUV空间模型替换传统的RGB模型,并在目标检测阶段融入训练元素来解决背景像素变化的问题,以提高运动目标检测的计算效率和可靠性.仿真结果表明,该方法比传统的目标检测算法具有更高的实时性、鲁棒性和准确性.     

空时自适应混合高斯模型复杂背景运动目标检测

为克服传统基于单像素建模方法存在的缺陷,解决复杂背景下的运动目标检测问题,将视频图像序列的空间信息引入背景建模过程中,研究了邻域更新、二维联合直方图信息熵判别、空时平滑等方法.采用引导滤波方法对视频图像进行预处理,以消除图像噪声,并保留图像中目标的边缘信息,给出了算法处理流程和实现步骤.在不同的评测数据库及现实捕获的视频图像上进行了定性及定量实验,结果表明,本文提出的算法在目标检测准确度和完整性等指标上优于传统的同类型算法,为复杂背景环境下的运动目标检测提供了一种新的解决方法.      

基于时空视频块的背景建模

提出了一种基于时空视频块的背景建模方法,时空视频块同时包含空间表观信息和时间运动信息.一个给定的背景位置在所有可能光照条件下的时空视频块集中位于一个低维的背景子空间中,而运动前景的时空视频块散布在背景子空间外的整个高维视频块空间中,采用一种高效的在线子空间学习算法实时更新背景子空间的主成分,根据时空视频块到背景子空间的距离来区分背景时空视频块和前景时空视频块.实验结果显示,本文中提出的方法能够在光照剧烈变化、前景与背景对比度较低的情况下准确地检测出前景目标.     

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.     

基于压缩感知的交通监控视频目标检测算法

针对公路交通监控的需求增大与网络带宽资源有限的矛盾,本文提出一种贝叶斯压缩感知的目标检测算法.该算法采用小波基对信号进行稀疏,用部分哈达玛测量矩阵进行观测,实现视频的压缩,为了得到更为准确的前景,提出在部分时间均衡自适应背景模型下,将背景分割思想和小波树结构的贝叶斯压缩感知结合的重构算法完成目标检测.通过对多个场景监控视频的试验,验证了该方法的准确性和有效性,并对光线变化具有一定的鲁棒性和减少视频传输的成本.     

一种改进的PBAS运动目标检测算法

针对现有PBAS目标检测算法在动态背景下存在着误检率高、检测精度较低的问题,提出了一种将改进的自适应决策阈值更新策略与优化处理方法相结合的目标检测算法。该算法首先使用改进的自适应前景判断阈值进行目标检测,然后对检测的结果使用前景点生命周期机制、形态学处理等方法进行优化处理。实验结果表明,与传统的PBAS算法相比,该算法在动态背景下可以更精确有效地提取出运动目标,准确度平均提高13%。     

融合码本和纹理的双层视频背景建模方法

基于背景建模的运动目标分割是智能视频监控的重要任务,模型的质量直接影响到检测、跟踪、识别等运动分析的准确性.当前的建模方法多是单层的,忽略了像素特征在时域和空域上的联系,模型描述不够准确,对于背景扰动、全局光照变化及复杂的室内外场景等多种情况鲁棒性不强,导致了分割中出现空洞和噪声点.针对这些问题提出了一种双层建模的方法,在第一层提取时域上的像素亮度特征采用码本建模,第二层提取邻域纹理特征采用基于中心对称的局部二值模式建模.实验证明该方法在用于运动分割时,比常用方法具有更好的准确性和鲁棒性.     

基于多层码书模型的运动阴影检测算法

在实际监控场景中,运动阴影的存在将对目标检测的准确性产生直接影响.针对此问题,本文提出了一种采用三层码书模型以此来提高阴影检测识别率的算法.该算法首先通过传统码书模型获取前景,然后对前景部分建立备选码书模型,再从备选码书中提取出具备阴影特质的点,构建阴影码书模型,最后通过该模型去除运动阴影.实验结果表明,与传统算法相比,该算法对阴影检测识别率有较大的提高.同时,通过对不同场景的对比,结果说明该算法具备良好的鲁棒性.     

一种新的背景模型建立及更新方法

提出一种新的建立背景模型和更新背景的方法．首先采用一种新颖的类Hausdorff距离建模方法建立初始背景，然后对每一输入帧使用背景差分法获得前景，并利用高效分类器创造性地将前景分类为运动目标、静止目标、虚假目标、噪声，最后在背景更新阶段使用基于前景目标的背景更新方法．实验结果表明，本方法能建立可靠初始背景，并能有效地解决背景更新“死锁”问题，增强背景模型的鲁棒性．     

基于改进ViBe的多行人检测方法

利用改进的Vi Be算法及模板匹配方法对多行人场景进行了目标检测.为了提高运动目标检测性能,提出将原Vi Be算法与帧间差分相结合的方法,该方法使二值图像中的鬼影比原Vi Be算法消除更为迅速.根据待处理像素点周围已完成的前背景分离结果,利用动态计算模型参数估计前背景,以提高前景目标提取的准确度.基于HOG算法识别运动目标中的行人目标.实验结果表明,该方法在没有降低运动物体检测实时性的同时,明显提高了算法检测的准确度.