基于充分统计量的在线背景减除方法

提出了一种使用高斯混合背景模型和充分统计量的在线背景减除算法——在线k-means算法.该算法不同于EM(期望最大化)算法的硬分配,而是使用k-means的软分配,使用充分统计量能够更有效地统计数据的变化,并且提高在线算法的速度和收敛性.实验结果表明:在实时监控应用中,在线k-means算法能有效检测运动目标,且计算速...     

基于生物视觉特性的背景减除算法

针对构建鲁棒的背景模型和背景模型更新问题,结合ViBe算法提出了一种基于生物视觉特性的背景减除算法.首先,借鉴蛙眼视觉外部特性中的近视特性,阐述了"区域模糊化理解"预处理操作的含义及其实现;其次,从人类对颜色的心理认知特性出发,给出了一种LUV颜色空间中基于韦伯定律的颜色差异度量准则;最后,从背景建模、前景检测以及背景模型更新三个主要方面,介绍了算法的具体实现.实验结果表明,该算法能够提高运动目标检测的精度.     

一种基于Surendra背景更新的背景减除运动目标检测方法

针对监控环境下运动物体的检测,提出了基于Surendra背景更新的背景减除的运动目标检测方法.首先对视频图像进行灰度化并去噪,再建立一个可靠的Surendra背景更新模型,由背景消减法得到运动目标图像,最后图像进行二值化并采用形态学滤波和连通区域面积检测进行后处理,以消除噪声和背景扰动带来的影响.试验结果表明本文采用的基于Surendra背景更新算法的背景减除的方法,具有较好的实用性.     

基于特征颜色模型的粒子滤波改进算法

针对在视觉跟踪任务中,当目标体的外形发生变化时,传统的粒子滤波算法在模型更新的过程中往往出现偏差并逐渐累积,最终导致跟踪性能降低的问题,作者通过挖掘目标体区别于背景的颜色信息,建立特征颜色模型,提出了一种改进算法.该算法首先使用粒子滤波进行粗定位,然后基于特征颜色模型分割目标.实验表明,作者提出的算法速度快,能够准确地跟踪目标的外观变化,对目标体的旋转和遮挡以及光线变化具有一定的鲁棒性,特别适合于跟踪行人和车辆等具有显著颜色的目标.     

基于改进的GMM参数估计的目标检测方法

背景减除法通过计算当前帧与背景模型的差来实现运动目标的检测,因此背景建模是背景减除法的关键;混合高斯模型(Gaussian mixture model,GMM)可对存在渐变及重复性运动的场景进行建模,有效的提高了在光线强度变化,物体摇摆等复杂场景下建模的准确性;但它也有其固有缺点,针对利用传统EM算法进行GMM模型参数估计时,易陷入解空间的局部最优的缺陷,采用基于最大惩罚的EM参数估计,对传统的EM算法进行改进;另外,在检测不需要满足实时性时,提出了一种基于差分进化算法的GMM参数估计法;最后把改进的GMM参数估计方法应用于基于GMM模型的运动目标检测当中进行验证,并得到很好的检测效果.     

Kalman滤波的人体运动位置跟踪算法

基于视频的人体运动跟踪是当前计算机视觉研究的热点 ,具有广泛的应用领域 .文中提出一种基于 Kalman滤波的跟踪算法 .合理使用自适应背景颜色模型 ,能够准确地对人体运动位置进行跟踪 .     

基于运动目标检测的视频存储策略

运动目标检测和视频存储是嵌入式视频监控系统中的两个重要功能。对于背景不变区域监控的存储,本文提出了一种基于背景减除算法(运动目标检测)的视频存储策略。该策略大大提高了磁盘空间的利用率。     

一种有效的运动人体目标检测算法

运动目标检测是智能监控系统的重要组成部分,检测效果的好坏直接关系到目标跟踪及后续行为识别的效果,是整个系统优劣和实用性的关键.提出一种人体运动目标检测算法,采用背景减除法提取运动目标,自适应阈值对差分图像进行二值化处理及形态学处理.并利用LOG边缘检测算子,进一步提取目标轮廓,减少冗余,简化后续处理中算法的复杂度、减少运算时间.实验结果充分证明了该算法的有效性.     

改进的混合动静态背景的分割方法

针对动静态背景场景下背景分割虚警率高的问题,提出了一种基于块直方图特征的Zivkovic混合高斯模型改进算法—BHZ-MoG。该算法设计了图像的块观测向量,并根据块观测向量的统计规律将图像块分类为动态、半动态、静态块,由此给出了结合块观测向量与块分类的块直方图特征提取算法,同时结合块直方图特征与Zivkovic混合高斯模型对不同类型的块分别进行背景分割与模型更新。实验结果表明,相较于Zivkovic混合高斯模型,BHZ-MoG算法能够在保证查全率不变的情况下,有效提高背景分割结果的查准率;Zivkovic混合高斯模型及BHZ-MoG的最大F1分数分别为0.758和0.790,说明了BHZ-MoG算法可以获得较佳的前、背景分割效果。另外,BHZMoG算法还可有效降低Zivkovic混合高斯模型在动态背景下的虚警率。     

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．     

一种固定背景下运动视频对象的自动分割方法

提出了一种固定背景运动视频对象的自动分割方法．该方法通过互帧差四次矩检测运动对象，利用背景减除对点分类，最后用彩色分水线算法得到运动对象实验证明该方法能够对固定背景下运动视频对象进行实时自动分割．     

基于嵌入式系统的室内人体跌倒行为检测方法的实现

提出了基于视觉和嵌入式系统来检测室内人体跌倒行为的方法,采用多线程算法进行图像采集和处理.运用基于简化高斯模型的自适应背景减除算法得到二值前景图像,并引入了形态学滤波,通过简化的目标宽高比算法判断人体跌倒行为是否发生,并进行虚报警判断.试验证明该系统的整体设计达到了实时性、准确性兼顾的特点.     

一种多线索融合的均值偏移跟踪算法

针对传统基于的均值偏移(Mean Shift,MS)跟踪算法不能对运动目标准确跟踪的缺点,提出了一种融合多视觉线索的MS跟踪算法.首先根据目标在前一帧的估计位置,将目标搜索区域划分为目标区域和背景区域,其次在区域划分的基础上定义了一种新的颜色、运动线索直方图模型,能有效地抑制目标相邻背景的混乱干扰,最后基于MS理论框架提出了一种融合目标颜色、运动线索的跟踪算法,其颜色、运动线索可在跟踪过程中互补.实验表明,在目标快速运动、姿态发生较大变化或被遮挡的情况下,算法能够获得更为准确、鲁棒的跟踪结果.     

一种基于背景模型的自适应的目标检测方法

运动目标检测是智能视频监控系统中的一项关键技术。常用的目标检测方法有时间差分法、背景减除法和光流法。本文针对Kim提出的改进的目标检测方法和一种背景减除法与时间差分法加权平均的运动目标检测方法的不足,介绍了一种基于背景模型的自适应的目标检测方法。     

基于视频流的地铁人群目标识别

地铁站内人群数目及分布的在线监测是有效控制和疏散客流,保障地铁安全的重要依据之一.利用站内现有的闭路电视监视系统,通过计算机视觉技术实现人群数目的自动识别是目前国外普遍采用的一种方式.文中提出了一种结合了自适应背景差分和比例自适应模板匹配的算法,用背景减除对图像进行分割,然后再利用比例自适应模板对感兴趣的区域进行搜索匹配,识别目标人群的数目及位置分布.该算法能有效减少传统模板匹配的计算量,提高匹配的准确率,在一定误差范围内可以达到较好的效果.     

基于粒子滤波算法的三维关节型人体运动跟踪

针对复杂背景,提出了一种新的基于三维关节型人体模型和粒子滤波器的人体运动跟踪算法,并基于此开发了一套鲁棒性强、精度高的应用系统.首先构建一个简易且完备的三维关节型人体模型.然后对经标定、校正之后的图像做背景减除,计算场景深度信息、前景轮廓信息、手臂轮廓信息,将这些特征与人体模型特征进行匹配,生成似然函数,使用粒子滤波得到模型的各个参数,恢复人体上身姿态.实验结果表明,此算法能够对各种复杂背景、不同光照条件、不同跟踪对象、各种姿态的人体进行跟踪,具有较强的适应性和抗干扰能力.     

彩色图像分割中基于图上半监督学习算法研究

提出一种新的基于图上半监督学习的彩色图像前景/背景分割模型与算法.该算法的目的是利用人工标定的部分像素点分割信息以实现对整幅图像的分割.通过结合像素点颜色特征和像素点颜色与前景/背景颜色的相似性特征,构造了新的图节点之间的双高斯权重函数,并对此提出自适应的参数选择策略与彩色图像半监督分割的能量模型,通过优化该能量模型将...     

用于步态识别的行人轮廓提取

采用针对静态背景下的基于Surendra背景更新算法的背景减除法对运动人体进行检测.为视频场景建立自适应的背景模型,通过原始图像和背景模型差分获得前景图像,再对检测出来的图像进行了二值化、数学形态学分析、连通分析、尺度归一等一系列图像预处理工作,为跟踪与识别奠定了基础.重点讨论了二值化自适应阈值选择的多种方法,总结出Kapur熵阈值选取法的优越性.     

基于Gabor小波和颜色模型的阴影检测算法

在视频处理中,阴影的存在会严重影响对目标的跟踪和识别.为了有效地检测视频序列中的阴影,文中提出了一种基于Gabor小波和颜色模型的阴影检测算法.首先,建立背景的混合高斯分布模型和阴影颜色模型,通过差分法提取前景区域并结合Gabor小波纹理特征分析找出潜在的阴影点;然后通过阴影颜色模型对这些潜在的阴影点进行颜色分析;最后通过后续处理,找出真正的阴影区域.实验结果表明,文中算法具有较好的阴影检测效果.     

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。