基于统计背景模型的运动目标检测方法

运动目标检测是计算机视觉、视频处理等应用领域的重要研究内容。其中减背景技术是一种常用方法。在减背景方法中，背景模型的提取、更新、背景扰动、外界光照条件变化、阴影检测等是必须要考虑的问题。提出了一种有效的运动目标检测方法，较好地解决了以上问题，首先利用统计的方法得到背景模型，并实时地对背景模型更新,以适应光线变化和场景本身的变化，用形态学方法和检测连通域面积进行后处理，消除噪声和背景扰动带来的影响，在HSV色度空间下检测阴影，得到准确的运动目标。实验结果表明，该方法是快速有效的。

一种基于背景模型的运动目标检测与跟踪算法

本文提出了一种静止摄像机条件下的运动目标检测与跟踪算法 .它以一种改进的自适应混合高斯模型为背景更新方法 ,用连通区检测算法分割出前景目标 ,以 Kalm an滤波为运动模型实现对运动目标的连续跟踪 .在目标跟踪时 ,该算法针对目标遮挡引起的各种可能情况进行了分析 ,引入了对运动目标的可靠性度量 ,增强了目标跟踪的稳定性和可靠性 .在对多个室外视频序列的实验中 ,该算法显示了良好的性能 ,说明它对于各种外部因素的影响 ,如光照变化、阴影、目标遮挡等 ,具有很强的适应能力 .

基于全局背景模型和竞争者模型的说话人确认系统

大多数说话人确认系统都设置一个背景模型用于描述假冒者的特性。文章提出一种新的说话人确认的背景模型,对所有说话人采用同一全局背景模型(简称UBM),并为每个说话人建立一个竞争者模型(cohort model)。在全局背景模型不能做出准确判断的情况下,启用竞争者模型再次进行判决。该模型充分利用了传统全局背景模型和竞争者模型的互补性。实验表明新的背景模型使系统性能有较明显的提高。

最大化背景模型用于检测红外图像中的弱小目标

提出一种基于最大化背景模型的背景预测算法 ,用于红外弱小目标检测 算法通过“区域最大化背景模型” ,来减小背景起伏对背景预测的影响 ,从而实现对背景更准确的预测 ,达到提高弱小目标检测性能的目的 算法适用于强对比度云层的空背景、具有人造干扰物的背景和空地背景的红外图像中 ,具有较强的抗噪音特性 ,是背景预测算法的一个重要扩展 针对实际红外图像的试验仿真表明 。

基于自适应背景模型的实时人体检测

提出了基于动态信息窗口的自适应背景模型,在此基础上建立人体检测的有效算法.通过实验表明,该方法能够适应变化的背景,具有较强的鲁棒性和较好的实时性.

一种基于多层背景模型的前景检测算法

动态场景中的前景检测是后继处理的基础和制约整个智能视频监控系统稳定性、可靠性的关键。为了在保证运动目标检测的基础上,进一步检测出前景中的静止目标并消除"鬼影(Ghost)",提出了一种基于多层背景模型的前景检测算法。该算法将背景分为参考背景和动态背景两层,分别采用单高斯和混合高斯模型进行背景建模。在线检测时,采用动态背景提取变化前景,用动态背景与参考背景之间高斯分布的差异提取静止前景,同时,通过逐层分析,比较输入像素与两层背景模型分布的相互关系,快速消除Ghost,降低虚警。实验结果表明,多层背景模型具有良好的检测性能和实时性,为后继跟踪、分类等处理提供了坚实的基础。目前,以该算法为核心构建了一个实时目标检测、跟踪系统,对图像大小为320×240的视频序列的平均处理速度达到15帧/s。

一种改进的基于平均背景模型的运动目标检测算法

通过实验仿真分析探讨了基于背景差分法的两种运动目标检测算法(平均背景模型法和codebook模型法)的性能和存在问题,并在此基础上提出了一种改进的平均背景模型的算法.算法采用当前图像与背景相减后差分图像的灰度直方图进行阈值的选取,同时引进新的背景更新方法,由分割得到的前景图像来控制背景更新的区域.实验结果表明,改进后的算法在与原算法使用相同的初始帧数的基础上,目标检测的完整性和有效性均有所提高,且能够适应背景缓慢变化的场景.

动态场景中的改进混合高斯背景模型

提出一种应用于运动目标检测的改进混合高斯背景模型。在背景模型更新过程中,通过调整阈值,降低单模态背景的误检率。在运动目标检测时,融合统计差分法和时域差分法,降低多模态背景像素的误检率。实验结果表明,改进模型能有效解决由复杂动态背景引起的误检问题,具有较好的检测性能。

基于单高斯背景模型运动目标检测方法的改进

针对背景减除法应用于运动目标检测中的背景模型更新和阴影消除问题,提出了一种改进的单高斯背景模型估计算法和快速的阴影消除方法。实验结果表明,算法在有效去除阴影的同时能够较好地提取运动目标,为后续的人体识别、行为分析等工作奠定了良好的基础。

一种改进的高斯混合背景模型算法及仿真

高斯混合模型广泛应用于基于背景建模的运动目标检测中,高斯混合模型参数估计和更新算法影响到背景模型的性能。文中对传统的高斯混合背景模型进行了改进,针对背景局部运动、活动阴影等问题,采用混合色彩值抑制阴影,在背景更新中引入一个"前景支撑映射"(Foreground Support Map,FSB),较好地解决了背景模型的提取、更新、背景扰动、外界光照变化等问题。实验结果证明,实验结果验证了该方法的有效性和在复杂背景变化下的鲁棒性。

高斯混合背景模型的适应能力研究

高斯混合背景模型是一种参数化统计模型,观察时间窗内像素样本模式呈现规律决定了背景模型的学习结果。针对背景动态变化的特点,研究了影响背景模型适应能力的模态稳定性与可塑性、模态残留与激活问题。仿真实验表明高斯混合背景模型具有较强的渐变选择性适应能力,而模态残留与激活机制为模型提供了有限的背景结构短时变化适应能力。

混合高斯背景模型目标检测的一种改进算法

针对当前混合高斯背景模型运动目标检测中的更新率小、自适应学习率取值范围过窄、帧间差分引入噪声及背景模型更新没有选择性等缺点,提出了一种混合高斯背景模型运动目标检测的改进算法。在传统混合高斯的基础上,对更新率和方差值进行改进,以适应外界环境的变化;根据像素的连通区域,在线更新学习率和去除噪声;通过引用改进的三帧差分法,实现了对背景模型的选择性更新,减少减弱帧间差分引入噪声以及缓慢运动目标对背景的影响;利用色度信息消除阴影,得到较为精确的运动目标。实验结果表明,改进算法效果良好。

基于改进的背景模型的图像识别算法研究

当图像亮度不均匀、对比度低时,提取图像前景较困难。为此,提出一种图像分割方法,结合正弦基函数和绝对值距离测度构建背景模型,依据优化理论和迭代法求解背景模型,通过比较背景模型中各像素点亮度与实际图像中各像素点亮度来判别各像素点是背景还是前景。为应对图像亮度不均匀的情况,在图像分割前对图像进行分块,在分块图像中依据背景模型或相邻分块背景相似度进行图像分割。实验结果表明,在普适性方面,相对于经典的模糊C均值法和OTSU法,该方法的分割误差小,尤其是对亮度不均匀和对比度低的图像;在掌纹图像分割应用方面,与迭代线跟踪法和模糊粗糙集法相比,该方法的错误率低、信噪比高、处理时间短。最后将提出的分割算法应用在人脸识别上,实验结果表明了该算法的先进性。

自适应混合高斯背景模型的改进

对自适应混合高斯背景模型进行了改进,将背景重构和前景消融时间控制机制整合到传统自适应混合高斯背景模型中,以提高运动分割的质量。背景重构算法从含有运动物体的动态场景视频序列中重构静态背景图像,然后用重构的静态背景图像初始化自适应混合高斯背景模型;而前景消融时间控制机制则使运动物体停止时的前景消融时间独立于背景模型的学习速率,从而可以根据需要调节前景消融的持续时间。实验结果表明了算法的有效性。

基于图像分块的背景模型构建方法

提出了一种基于图像分块的背景模型构建方法,目的是为了减少像素形式的背景模型所带来的计算冗余,提高系统的运行速度.文中回顾了目前主要的背景提取方法,给出了图像分块的方式以及几种常用的图像块特征,并且利用图像块的特征来构建自适应的高斯混合模型.通过一组视频将该方法与传统的像素形式的背景模型进行了实验对比;结果表明,该方法在保持相同的目标检测率的情况下,大大提高了系统的运行效率.

基于自适应背景模型运动目标检测

随着城市化速度的加快,机动车日益普及,人们在享受机动车所带来的巨大便利的同时,也面临着交通拥挤的困扰。随着计算机硬件技术和计算机视觉技术的发展,基于计算机视觉的交通监控系统成为可能。从一个交通视频序列中识别出运动物体是许多交通监控系统应用系统的重要任务,针对该问题,提出了一种建立在对视频序列中的整个背景情景的统计描述基础上的运动目标的检测的有效方法,该方法能够适应变化的背景,具有较强的鲁棒性和较好的实时性。

增量式特征基背景模型目标运动检测

背景差法是目标运动检测的主流方法,关键在于背景模型自适应更新。针对传统特征基背景模型批处理方式计算量大、更新速度慢的问题,采用增量式主成分分析来建立特征基背景模型。首先计算样本图像的初始背景图像,然后采用CCFIPCA算法更新特征基背景模型,最后通过输入帧和重建帧的欧氏距离检测前景运动目标。算法以视频帧整体来建立背景模型,克服了混合高斯模型和核密度估计以孤立像素点建模的不足,提高了背景建模的鲁棒性。在SIMULINK下的仿真实验表明,算法能很好地适应高速公路交通场景动态变化,在有光线变化和阴影影响的情况下能完整、准确地提取出运动车辆轮廓。

基于时空背景模型的自适应运动目标检测方法

现有的视觉背景提取方法(Vi Be)在背景建模时只利用了像素的空间信息,而忽略时间信息,降低了检测的准确性,且检测半径和背景更新的随机子采样因子都为固定常数,在动态背景干扰、相机抖动等情况下,检测效果不理想。针对这些问题,提出一种时空背景模型的自适应运动目标检测方法。首先,在Vi Be方法中加入时间信息建立时空背景模型;然后,在检测和更新过程中,提出背景模型中样本的标准差能反映背景的复杂度,通过计算样本的标准差来自适应地改变检测半径和背景更新的随机子采样因子适应背景的变化。实验结果表明,改进的方法不仅能够在静态背景和光照均匀的情况下有效地检测出前景像素,而且对存在光线变化较大、相机抖动、动态背景干扰等情况也有一定的抑制作用,提高了检测的准确性。

一种新的背景模型建立及更新方法

提出一种新的建立背景模型和更新背景的方法。首先使用一种新颖的方法建立初始背景,然后对每一输入帧使用背景差分法获得前景,并利用分类器将前景分类为运动目标、静止目标、虚假目标、噪声,最后在背景更新阶段采用基于前景目标的背景更新方法。实验结果表明,该方法能建立可靠初始背景,并能有效地解决背景更新“死锁”问题,增强背景模型的鲁棒性。

一种用于运动目标检测的多模态非参数背景模型

提出了一种基于多样性采样原理的高斯核密度估计模型用于多模态背景描述.从包含运动物体的训练序列中,提取具有较高频度以及最大多样性的样本集用于背景建模.并根据新样本及邻域点在总样本集中取值的相关频度计算权值,避免了采用全部训练点产生的信息冗余和重复计算等缺点,使背景核估计的计算简单有效.对复杂场景下车辆监控系统进行实验,结果表明,该算法在提取运动物体中是有效的.