动态场景中运动目标检测与跟踪

为了在静态和动态场景中均能实现对运动目标的检测与跟踪,提出了基于运动检测和视频跟踪相结合的视频监控方法. 建立四参数运动仿射模型来描述全局运动,采用块匹配法对其进行参数估计;采用基于全局运动补偿的Horn-Schunck算法检测出运动目标;使用卡尔曼滤波对运动目标的质心位置、宽度和高度进行跟踪. 实验结果表明,该方法能够有效地对静态和动态场景中运动目标进行检测与跟踪.     

人体运动目标检测与跟踪系统设计及算法仿真实现

在人体运动目标检测部分,根据室内监控的特点,提出了先采用统计平均法获取室内背景,然后选用背景减除法对运动目标进行检测,接着利用改进的区域增长法对属于同一目标的像素区域进行合并,判断并提取人体目标。在人体跟踪部分,使用卡尔曼滤波器预测目标参数,再根据预测参数跟踪人体目标,得到行人的运动轨迹。利用Matlab/Simulink对整个系统进行建模仿真,并不断修正算法的参数。通过室内实际采集的几个视频序列进行试验,该算法能够正确地检测并且跟踪运动的人体。     

基于高斯混合模型的视频对象分割算法

针对应用高斯混合模型（GMM）进行视频建模与分割时的模型选择及参数估计初值选择的难点，提出了一种基于GMM的视频对象分割算法．首先进行特征提取，在特征矢量中引入加权运动信息，可根据不同需要选择合理的加权系数，然后通过分割投影进行模型选择及期望最大化（EM）算法的参数初始化并估计参数，这种初值选择方案使得EM算法的初值和真实值较接近，加快了迭代运算的收敛速度，从而提高了视频对象的分割速度，最后对特征矢量进行聚类分割．仿真实验表明，在保持良好分割效果的同时，所提算法的运算速度约为常规方案的76％，并且具有良好的稳定性．     

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。     

四帧间差分和改进混合高斯模型对运动目标的检测

针对运动目标检测过程中已有算法难以同时提高准确性和实时性的问题,提出四帧间差分结合改进的混合高斯模型(Gaussian mixture model,GMM)算法,首先利用四帧间差分对预处理的视频帧差分处理,得到背景区域和运动区域;其次,使用改进的GMM,借助计数器调整高斯模型,提高高斯分量的自适应性,根据单位灰度值确定高斯分量个数,并引入敏感参数改进传统混合高斯模型对学习率的依赖;模型更新时借助计数器确定更新时机;最后,对结果使用形态学处理,提高目标提取的精确度。与已有算法的性能相比,查准率和查全率的调和平均值提高了约44.8%,对GMM算法的改进使得模型训练与检测的计算时间分别缩短至原算法的0.16倍、0.27倍,相比传统的混合高斯模型和文献中的方法,计算时间分别缩短至1/54、1/4、16/25,且对多种场景均能有效适应。     

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.     

基于风险决策的混合高斯背景建模

对于固定摄像机的人体运动目标的检测,在现有混合高斯模型中,往往希望混合高斯模型中高斯函数的个数数目越大越好,同时现有算法对场景内每个像素点都采用统一的背景模型参数更新规则,每获得新的视频帧图像,都要对图像内所有像素点的所有高斯函数参数进行更新,这会带来庞大计算量,影响算法实时性。本文针对高斯背景建模算法的这种特点,对有新物体移入或物体移出当前场景时的情况,提出了改进的高斯建模算法,引入风险决策应用于前景目标的突变判断中,并通过实验验证了改进的算法在目标检测率和系统实时性方面的改进。     

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.     

基于局部区域建模的复杂场景运动目标检测

为了解决传统背景建模方法难以有效检测复杂场景中运动物体的难题,提出了一种在马尔科夫随机场框架下,基于区域建模的运动目标检测方法。该方法在学习像素前景和背景的概率模型时,融合了相邻局部区域的信息;因而比传统的单像素建模方法更加精确。在马尔科夫随机场框架下,运动目标检测问题转化为能量优化问题,可以得到比基于阈值分割前景更精确的结果。在复杂场景视频进行测试;并与传统的背景建模方法进行比较,实验结果表明本文算法更优。     

一种新的高斯混合模型参数估计算法

该文提出了一种高斯混合模型（GMM）参数估计的改进算法．原始的特征向量先经Schmidt正交化消除各维间的相关性,再用数学形态学方法估计出各维概率分布中混合分量的真实个数,最后按真实的混合分量个数用EM算法对各维分别作标量GMM参数估计．该方法能缓解GMM传统参数估计算法引起的“不易扩展”的不便．实验结果表明,将其应用于说话人辨认,能在较大幅度提高训练速度的基础上相对传统GMM参数估计方法获得更高的识别率．