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.     

一种基于混合高斯的双空间自适应背景建模方法

为解决运动目标缓慢运动或暂时停止以及场景突变问题,受人类获取知识过程启发,提出一种基于混合高斯的双空间自适应背景建模方法,即采用当前混合高斯模型空间和记忆空间(用于存储曾经的背景模型)对场景进行自适应建模。两个空间模型更新采用不同的学习率:在当前混合高斯模型空间,学习率根据高斯分布对场景的贡献程度进行自适应更新,以解决运动目标缓慢运动或暂时停止问题;记忆空间存储曾经的背景模型,以提高算法对背景突变的适应性,故采用固定学习率进行更新。试验结果表明了所提方法的优越性。     

基于密集光流的步态识别

作为一种生物特征,步态在视频监控、行为分析等领域具有很大的应用前景.提取步态特征的关键在于对步态在时间、空间两个维度上的变化模式进行描述.基于密集光流提出了一种步态特征提取算法,通过密集光流表征每帧图像人体区域各部位的运动强度和方向,综合一个步态周期内所有单帧特征作为步态周期的特征.利用主成分分析、线性判别分析对步态特征进行降维处理,用支持向量机进行分类,验证提取特征的分类性能.实验结果表明,所提算法采用光流特征,提供了丰富的动态信息,可以很好地描述步态在时间维度上的变化,在与现有步态特征描述算法的对比中,体现出了良好的识别性能.     

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．     

基于视频流的运动人体检测方法研究

提出一种基于对称帧间差分与背景减除相结合的运动目标检测和自适应背景更新方法.该方法首先建立背景模型,采用帧间差分法将当前帧图像分别与其相邻两帧图像相比较得到运动目标前景部分,并将三帧中变化率小于某一阈值的像素点以一定的更新率实时更新到背景模型中.同时,采用背景减除法对所建立的背景模型进行前景提取,将两种方法所获得的前景图像进行融合,再通过数学形态学运算去除噪声及小面积非人体运动部分,最终得到完整可靠的运动人体二值图像.实验结果表明该方法准确高效,能很好地克服光线的影响,提高监控系统的稳定性.     

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.     

城市社区灾害减除能力多层次灰色评估系统

构建了应急管理视角下的中国城市社区灾害减除能力评估体系,包括6个1级指标和25个2级指标,并综合运用层次分析法和灰色系统理论,建立了多层次灰色评估模型,用以定量评估城市社区灾害减除能力.根据建立的模型,结合河南省焦作市龙源湖社区进行实例计算表明,该社区灾害减除能力处于良好与中等之间,需要强化灾害减除在社区应急管理全过程的各项工作.综合评估模型为提升城市社区灾害减除能力评估的科学性提供了有益参考.     

基于改进K均值的运动目标检测算法研究

背景建模是运动目标检测的关键环节,提出了基于改进K均值背景建模的方法,并进行前景提取．该算法在HSV颜色空间对视频流的前N帧中的每个像素样本进行K均值聚类学习,K均值聚类的结果用来表示该像素螅背景模型;接着输入的视频流像素与背景模型比较,进行背景、可能前景和阴影的分离,并提出了一种像素相关的选择性背景更新机制;然后利用TOM（Time Out Map）方法来消除鬼影现象．实验结果表明该算法能够很好地对背景进行建模,较精确地提取出运动目标信息,对光照变化具有较强的鲁棒性．     

基于轮廓的运动目标视觉分析的研究

目标运动的视觉分析在虚拟现实、视觉监控、感知接口中均有广泛的应用前景,文章介绍了运动目标视觉分析中基于轮廓的分析识别算法,即对每个序列而言,图象二值化后,用背景剪除法检测出人的运动轮廓,然后将这些时变的二维轮廓形状转化为对应的一维距离信号,并归一化处理,以便对有待分类的序列进行识别。