基于改进混合高斯模型的运动目标检测方法

智能监控系统全自动实时监控,利用计算机视觉技术和计算机数据处理能力自动识别视频源中的关键信息,可以快速准确地定位异常行为并预警。运动目标检测作为智能监控系统智能分析模块的基础,是智能监控系统中目标识别、异常行为分析及应对策略的基础。本文分析常用的运动目标检测方法,针对混合高斯模型在运动目标速度过慢、光照突变情况下产生空洞的问题,采用一种基于三间帧差法的混合高斯模型目标检测方法,该方法结合三间帧差法通过差分图像获取运动轮廓,具有计算简单、实时性强的优势,以及高斯背景模型减除法获取目标内部信息完整的优势。经实验验证表明该方法实现程序简单,能够有效地检测出背景中的运动目标,满足实时检测的需要。

基于高斯混合模型的海面舰船目标检测

在复杂的海面环境中,因不规律变换的海面浪花、岸边岛屿以及舰船阴影等因素影响,使海面舰船目标检测成为一个难点,为此,提出基于高斯混合模型的海面舰船目标检测方法。结合多尺度中值滤波和Canny边缘检测处理采集海面舰船图像并获取边缘图像,采用霍夫变换从边缘图像中提取候选直线,并综合长度特征与颜色特征,从候选直线里精确提取海天线,完成舰船图像背景补偿。以背景补偿后图像为基础,建立高斯混合模型,通过模型初始化、修正以及背景衡量和前景划分等步骤检测舰船目标,并结合霍特林正交变换抑制舰船目标阴影,完成图像后处理。实验结果说明,中值滤波的尺度为2时图像清晰度最好。该方法可有效提取海天线,完成舰船图像背景补偿,精准检测海面舰船目标,结合阴影抑制能提高舰船目标检测精度,满足海面舰船目标检测的需要。

用于多目标跟踪的高斯混合轨迹预测模型

针对视频中目标之间的遮挡会增加轨迹关联难度的问题,提出了一种高斯混合轨迹预测模型来改善遮挡情况下的关联效果.该模型采用Transformer结构,从对象的历史运动信息中提取更长的时间依赖性,以便更准确地预测跟踪对象在未来的轨迹分布;同时,将模型的输出设置为高斯混合分布,采用多个高斯分布相加来定义跟踪对象在未来的轨迹分布,以利用轨迹分布来计算检测目标和跟踪对象之间的空间相似性.实验结果表明:该模型能够改善跟踪性能,在MOT17数据集上HOTA达到了56.3%.

基于高斯混合模型的物联网通信链路异常检测

物联网涉及各种类型的设备、传感器和通信技术,链路异常的表现也各不相同,对于链路异常检测带来了挑战,为了精准地检测出移动物联网通信链路异常,提高通信质量,提出一种基于高斯混合模型的物联网通信链路异常检测方法。通过离散小波变换中的Mallat分解算法对移动物联网通信链路接收到的信号矢量展开小波分解,重构通信链路信号,并对重构后链路信号中的干扰部分展开白化处理,实现移动物联网通信链路干扰抑制。构建高斯混合模型,通过EM算法对高斯混合模型展开参数估计,利用完成参数估计后的模型展开移动物联网通信链路异常检测。实验结果表明,所提方法可以有效抑制通信过程中的干扰,同时还可以得到高准确率和高效率的通信链路异常检测结果。

采用混合融合方式的改进MV3D目标检测模型研究

针对3D目标检测精度低、在复杂工况下检测效果差的问题,利用图像和点云数据作为输入,引入深度补全增加点云前视图特征,并对MV3D目标检测模型进行改进,提出混合融合方式,将全局信息较多的图片特征拼接到融合完成后的点云特征中,最后再进行融合。文中所提出的混合融合方案兼顾了深度融合的特征又增加了全局的特征信息,利用DETR模块对原模型的非极大值抑制操作进行优化,使得模型轻量化。最后在KITTI数据集上对文中模型进行了实验分析,结果表明,所提出的模型可以实现复杂工况下的3D目标检测,且在精度上与原模型相比,在三种不同检测难度的工况下平均提升了7.19%。

基于高斯混合模型的彩色多普勒超声检测仪故障诊断

彩色多普勒超声检测仪的运行过程中,信号干扰会导致故障诊断精度下降。提出基于高斯混合模型的彩色多普勒超声检测仪故障诊断方法,利用离散傅里叶变换对振动信号进行处理,选择并抽取彩色多普勒超声检测仪故障特征,通过构建高斯混合模型,实现对检测仪性能退化评估与诊断。通过对比实验证明,该诊断方法在实际应用中可以实现对检测仪故障问题的准确诊断,为检测仪的运维提供可靠依据。

AKAZE与高斯混合模型相融合的运动目标检测算法

传统高斯混合模型在抖动干扰下无法取得理想的运动目标检测效果,但实际的各种复杂情况下摄像系统均会存在抖动。针对这一问题,文中提出一种抖动干扰下运动目标检测算法:首先利用基于AKAZE特征点匹配算法,进行动态图像精确配准,消除图像抖动,做出运动补偿;其次利用高斯混合模型对配准后的视频序列进行运动目标检测,然后利用三帧差分技术对检测出的运动目标轮廓进一步补偿;最后使用连通域分析补全运动目标。实验表明,本文提出的方法能够满足检测要求,可以在抖动干扰下有效检测出运动目标。

面向电厂设备异常检测的自组织映射深度自编码高斯混合模型研究

工业领域的生产设备异常检测实际上是采用无监督技术准确预测设备早期劣化的异常工况和定位具体的异常参数。深度自编码高斯混合模型DAGMM在生产设备数据集上异常检测性能较优,但仍有提升空间。针对深度自编码存在的高维信息丢失的问题,提出使用自组织映射辅助均匀流形近似与投影改进的模型SOM-UMAP-DAGMM。通过将UMAP算法改造为神经网络,在原来的损失函数上新增一项交叉熵实现与DAGMM联合训练,补充高维数据分布信息;并结合预训练SOM,补充空间拓扑结构信息。在两个公开数据集和3个生产设备数据集的实验结果上显示,SOM-UMAP-DAGMM较DAGMM性能得到了一定的提升。

基于高斯混合模型的谐波责任估计方法

针对不完全可观系统提出一种基于高斯混合模型的谐波责任估计方法。依据谐波测量电压的概率分布特性估计各谐波负荷的谐波责任,规避因引入不可测的线路参数对量化谐波责任造成的困难。先根据测得的谐波电压样本训练高斯混合模型;然后,基于贝叶斯信息准则和Kullback‐Leibler散度比率确定混合模型中的高斯分量的数量及位置范围,并通过Z检验实现谐波电压样本的异常检测;最后,通过IEEE 14节点测试系统检验了所提方法的有效性。

基于改进高斯混合模型的热工过程异常值检测

热工过程异常数据检测是进行系统建模、控制、优化的基础,也是数据处理的重要组成部分。提出一种基于改进高斯混合模型的无监督热工过程异常值检测算法,利用每一维高斯分量捕获一类特定工况数据集群,通过添加惩罚约束因子修正传统模型的后验概率密度,对误检、漏检项加以惩罚,并根据与集群的相关性差异实现异常数据的识别。仿真实验结果表明,模型在多种误差条件下均可准确定位异常数据位置,具有很强的泛化性能,同时相较于传统高斯混合模型,误检、漏检点的检测效果总体提升了37.8%和15%,反映出模型改进的有效性。

高斯混合模型下建筑工人高空作业失稳检测方法

为防止施工现场高处坠落事故,实现个性化矫正管理,在考虑个体异质性对运动信号造成的差异化影响基础上,提出一种基于高斯混合模型(GMM)的实时检测方法,可及时识别建筑工人高空作业失稳状态。首先,采用姿态传感器实时采集加速度和角速度数据,以刻画建筑工人的高空作业姿态特征;然后,基于GMM算法,建立建筑工人高空作业的个性化失稳检测模型,获得个性化阈值,以判断姿势失稳状态;最后,通过试验对比基于个体数据集和公共数据集2种方式构建的模型。研究结果表明:生成的个性化检测模型在准确度P、召回率R和综合评价指标F 1值上,均远优于公共数据集模型,具有更好的个性化检测效果。该失稳检测方法能够从工人的作业姿态习惯探究个性化的高空失稳风险,促进差异化安全预控和精准化安全培训。

改进的基于高斯混合模型的运动目标检测方法

针对固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。在模型学习方面,均值与方差采用了不同的学习率,其中均值更新采用自适应的学习率,方差的学习率取固定值;引入权值均值概念,然后结合权值进行像素点的前景和背景分类;利用了背景图像消除阴影。实验结果表明,改进的方法与传统方法相比具有更好的学习能力,能提高在繁忙场景中,大而慢的运动目标检测的正确率。

基于滑动窗的混合高斯模型运动目标检测方法

在复杂场景下,传统混合高斯模型能较好地检测出运动目标,但随着时间的推移,模型参数收敛缓慢且难以适应场景中真实背景的实时变化,从而导致运动目标的错误检测率增加。该文利用滑动窗技术的短时历史记忆特性,提出一种新颖的基于滑动窗的混合高斯模型运动目标检测方法,该方法弥补了传统混合高斯背景模型不能及时形成新背景的缺点,提高了运动检测的完整性,并进一步降低了算法对场景光照变化的敏感性。多场景下的对比实验结果表明,该方法能更准确、完整地检测出运动目标并具有更好的环境适应性。

基于改进的混合高斯模型的运动目标检测方法

针对传统高斯模型学习速度慢问题,提出了一种基于新的背景模型更新模式的目标检测方法.首先,对彩色图像建立混合高斯模型,并且采用新方法更新背景模型,即不同的阶段使用不同的更新方程,然后由背景差分得到基本准确的前景图像,其次利用基于颜色差、亮度差和梯度差的阴影检测算法削除前景图像的运动阴影,最后利用形态学滤波、连通组件分析和种子区域增长进行后处理.实验结果表明,该方法不管在室内还是在室外都能很好地消除阴影,准确地提取运动目标.

基于改进的高斯混合模型的运动目标检测

运动目标检测是实现目标跟踪、视频监控的基础。针对基于高斯混合模型的运动目标检测算法的不足,提出了一种基于分块思想和高斯模型个数自适应的改进高斯混合算法。利用对视频图像分块的思想,在提高目标检测效率的同时,实现对视频的滤波处理;并利用高斯混合模型中高斯分布个数自适应操作来降低算法复杂度,提高运动目标检测的速度。实验结果表明:该算法比传统高斯混合模型运动目标检测算法具有更快的检测速度和更好的检测效果,并降低了检测噪声,能有效地检测运动目标,适用于运动目标的实时检测。

HSV自适应混合高斯模型的运动目标检测

在目前的计算机视觉应用中,从视频序列中提取出运动目标是一个研究热点。针对传统方法在复杂多变环境下不能很好地检测出运动目标且运算量较大的问题,根据HSV颜色空间的特点,提出了一种基于HSV颜色空间的自适应混合高斯背景建模和阴影消除的方法。首先,在传统的混合高斯背景建模的基础上,引入了一种新的混合高斯模型高斯成分个数的自适应选择策略以提高建模的效率。其次,根据阴影在HSV向量空间的特点,融入了一种新的阴影消除方法,以检测出带阴影的运动目标。该方法能够快速准确地建立背景模型,准确分割前景目标。与传统的阴影消除方法相比,该方法可以在不需要设置阈值的情况下,对运动目标的阴影进行很好的消除,有很好的鲁棒性和实用性。

自适应混合高斯背景模型的运动目标检测方法

提出了一种静止摄像机条件下自适应的运动目标检测方法。该方法基于同一像素点被同一灰度车辆覆盖几率小的假设构建初始背景,为每个像素点在线选择高斯分布个数。根据像素点与其邻域像素间存在联系的思想,在线更新学习率。最后用背景差分法检测出运动目标。实验结果表明,同基于传统混合高斯模型的运动目标检测方法相比,该方法有较好的自适应性,能快速适应场景的变化。

基于改进的混合高斯背景模型的运动目标检测

混合高斯模型在应对背景中存在扰动的情况具有优势,而其不足之处主要表现在对光线变化比较敏感和当场景中前景与背景之间发生转换时容易产生较长时间的虚影。针对上述问题,提出一种融合相邻帧差法和背景减法的算法。采用了循环周期和动态更新相结合的背景重建机制,通过运用Matlab对视频图像某个像素点的S值和V值的变化情况分析来体现背景更新和重建的过程,并对背景变化前后分别采用传统算法和改进算法进行对比分析。该改进算法解决了背景模型对光线变化敏感以及容易产生虚影等问题,实验结果表明了算法的有效性和鲁棒性。

基于混合高斯模型的移动奶牛目标实时检测

针对奶牛养殖场背景复杂和环境多变导致现有的目标检测算法无法满足鲁棒性和实时性需求的问题,基于递归背景建模思想,在混合高斯模型中引入惩罚因子,提出了一种动态背景建模方法,采用局部更新策略,以降低模型复杂度和解决前景消融问题;提出基于色度偏差和亮度偏差的二分类算法,避免目标物阴影区域的影响。对不同天气及环境变化剧烈情况下获取的奶牛视频样本进行实验。结果表明,与混合高斯模型相比,平均模型复杂度降低了50.85%,前景误检率和背景误检率分别降低了19.50和13.37个百分点,单帧运行时间降低了29.25%,检测准确率更高、实时性更好,且解决了前景消融问题,能满足在复杂背景和环境条件下实时提取奶牛目标的要求。

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.