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。     

一种改进的运动目标检测

针对现有方法在复杂的环境下不能很好地检测出运动物体的问题,提出了一种改进的基于混合高斯模型的背景消减法检测运动目标.改进了背景模型的更新算法,提高了背景更新速度.利用帧间差分法消除了"鬼影"问题,同时采用动态阈值分割算法,提高了准确性.实验结果表明,该算法能很好地提取出运动目标.     

改进的双模型的运动目标检测方法

在动态背景下,由于双模型算法对运动目标检测时会出现误检、目标检测不完整和出现鬼影的现象,提出一种改进的双模型的运动目标检测算法。该算法首先对双模型背景的判断方式改进,将新来像素点图像值与背景模型对应位置样本值之间的距离和阈值进行比较,可以全面地区分前景和背景。然后对自适应阈值更新方式改进,通过对前景背景的判断情况把自模型和邻域模型结合起来,作为阈值增加或减少的条件,能够更精确地检测出前景。最后,结合帧间差分技术,通过比较对应位置像素值的时域变化来判断鬼影像素,以达到快速消除鬼影的目的。实验结果表明,改进算法的检测结果比原来的双模型更加精确、全面。     

自适应背景更新及运动目标检测算法

从视频中检测运动目标是智能视频监控应用中的一项关键技术.文中提出了一种基于区域的自适应背景更新及运动目标检测算法,首先使用高斯模型建立初始的静态背景图像,通过背景减法得到差值图像;然后使用自适应阈值对差值图像进行二值化,并利用形态学滤波和连通区域面积检测进行后处理,得到运动目标区域掩模;最后,根据运动目标区域掩模检测出运动目标,同时使用基于区域的自适应背景更新算法动态更新背景图像.实验结果表明,该算法能够自适应地对背景模型进行更新,对于背景的扰动、光线的渐变等带来的影响有很好的抑制作用,可以有效地检测出运动目标.     

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.     

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.     

室内场景中适应光照变化的运动目标检测算法

为了进一步提高室内检测跟踪系统的有效性和稳定性,以经典的混合高斯模型为基础,结合了积分直方图方法,提出了一种室内场景中适应光照变化的运动目标检测算法。该方法通过当前帧和背景帧的全局积分直方图差分来确定光线变化的程度。对于全局的光线突变,进行模型的全局更新。对于局部的光线变化,用光线变化比例作为高斯模型权值更新率因子,实时控制更新速率。再对高斯模型提取的前景,用区域局部积分直方图进行虚假前景的判断和消除,从而进一步提纯真实前景。仿真实验结果表明:算法较好地消除了场景中光照变化对目标检测的影响。     

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.     

基于改进的差分相乘运动目标检测

针对传统帧间差分在目标检测中的不足,提出了基于改进的差分相乘的运动目标检测方法.该算法通过四帧差分分别和混合高斯建模得到的背景图像差分之后再相与,然后通过阈值技术得到运动目标,背景自适应的更新减少了噪声和光照变化对检测的影响,从而解决传统帧差法可能出现的无法检测完整目标的现象.实验表明,改进算法改善了传统帧差法中存在的较多伪目标点与空洞现象,提高了运动目标检测的效率和准确性.     

基于改进ViBe算法的运动目标检测

ViBe算法是一种基于静态背景下的运动目标检测算法，针对其“鬼影”问题和运动目标静止时会被更新为背景的问题提出了改进ViBe算法，即对原ViBe算法的背景模型初始化、动态阈值、前景分割和背景模型更新等4个部分进行了改进。采用均值法获取的背景图像初始化背景模型，可消除“鬼影”;利用计数法控制前景分割动态阈值，使前景图像更加准确；使用帧差法思想改进前景分割，使前景图像更加完整；通过引入阈值保证背景模型更新的稳定性。根据试验结果可知，改进ViBe算法对正常移动车辆、较小运动目标和存在静止情况的运动目标都有较好的检测能力，解决了“鬼影”问题和运动目标静止时会被更新为背景的问题，同时相较于原ViBe算法和其他常用运动目标检测算法，改进ViBe算法在保证准确性的基础上提高了检测的完整性。     

一种基于历史背景的混合高斯背景建模算法

针对背景场景重复显现问题,提出了一种基于历史背景的混合高斯模型(History Background-based GMM,HBGMM).相较于传统的混合高斯模型,该模型对历史背景模型进行标记,并通过判决匹配次数快速调整历史背景模型的学习率.同时对模型权重低于阈值下限历史模型和非历史模型进行区别处理,用该方法更新模型权重从而降低误检率,使历史模型尽量避免误删除.实验结果表明,本文提出的基于历史背景的混合高斯背景模型能够实现记忆背景的功能,从而更快地适应场景的变化,减少前景误判.     

基于HSI颜色模型的运动目标检测方法

针对灯光和背景的亮度不同,通过HSI空阃提取亮度信息,使用自动阈值对光源和运动目标进行区分,降低因光源变化而产生的运动目标误检．实验结果表明,该算法可以显著提高运动目标检测在有光源影响下的准确性,减少将背景误判为前景的情况．     

一种面向全景视频的交通状态检测方法

传统的交通状态检测方法对全景视频中的车辆检测时存在检测精度低、鲁棒性差等缺点。为了解决这些问题,该文提出了一种新的基于虚拟检测线的车辆检测方法。首先,利用提出的基于动态学习率的改进混合Gauss模型构建背景,背景模型的学习率由检测到的车速决定;其次,通过引入Mahalanobis距离来判断虚拟线上的像素是否属于背景;最后,通过设置检测跟踪区域检测车速并跟踪车辆行驶轨迹,避免重复计算车辆数。实验结果验证了所提方法的有效性及在各种场景下较强的鲁棒性。     

一种自适应背景差分运动目标检测算法

运动目标检测是运动行为理解的前提,也是安防系统研究的热点、难点问题。在分析现有检测算法的基础上,针对背景更新模型不准确、分割阈值难以选取等问题,提出了一套自适应背景差分运动目标检测算法。算法包括：基于像素相关区域灰度曲率特征的背景更新模型,基于直方图统计的动态阈值,改进型区域生长的运动目标标识。实验表明该算法能较好解决光照变化所引起的背景更新以及不同环境下阈值选取等问题。     

基于风险决策混合高斯背景建模快速检测前景目标突变

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，据此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，从而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．     

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.     

一种改进的基于混合高斯分布模型的自适应背景消除算法

视频检测技术是智能交通系统研究中一个重要研究方向,根据交通流视频检测的特点,对基于混合高斯分布模型的自适应背景消除方法进行了改进.包括:背景模型匹配只使用亮度信息;将高斯分布模型按权值、方差排序;使用单目深度信息来确定背景;动态调整采样频度等.实验表明,本文提出的算法,分割效果较佳,分割的实时性大大增强.     

一种基于Gabor小波和颜色参数模型的阴影检测算法

本文提出了一种基于Gabor小波纹理特征分析和阴影参数模型颜色分析的阴影检测算法.首先,建立背景的混合高斯分布模型,通过对特定帧的颜色分析建立阴影参数模型.对图像序列中的每一帧,首先通过差分法提取出前景区域,然后通过Gabor小波滤波的方法,对背景和前景图中的相同小区域进行纹理特征分析,比较特征向量的距离,以判断潜在的阴影点.然后,通过阴影参数模型对这些潜在的阴影点进行颜色分析,并通过连通区域标记,形态学运算,FPR(去除假阴影)分析等方法,找出真正的阴影区域.实验结果表明,本算法具有较高的阴影检测率和物体检测率,可以满足实时检测的需要.     

视频运动目标提取的实现

针对混合高斯模型建模实现背景差分获取的运动目标中含有较多的阴影这一问题,对基于Phong光照模型的判断和检测阴影的准则作了改进,并给出了视频运动目标检测算法.使用基于混合高斯模型的背景差分法和对称差分法相结合获取运动目标,使用改进的阴影判断准则检测和去除阴影.结果表明:改进后的阴影判断准则去除阴影所用时间比原方法平均减少了18%~30%,并且能够取得较好的去除阴影效果,最终获得精确的运动目标.     

基于改进混合高斯模型的交通流背景检测算法

针对交通流视频中道路背景像素较为统一的特点,提出一种基于时空信息的双混合高斯模型背景检测算法.该算法先构造像素时间域混合高斯模型进行时间域的检测,并采用双重阈值分别判断前景与背景.当某像素无法准确判断时,针对该像素邻域构造空间域混合高斯模型,以空间域的检测结果代替时间域的检测.通过不同的交通流视频中的测试和比较,验证了所提出的算法能有效地融合像素自身的时间信息与像素间的空间信息,提高了检测初始阶段的鲁棒性,同时有效地解决了出现停车现象时的误检测问题.