基于随机聚类的复杂背景建模与前景检测算法

为了构建鲁棒的背景模型和提高前景目标检测的准确性,综合考虑同一位置的像素点在时间上的关联性和与其相邻像素的空间关联性,基于经典的Vi Be算法中的随机聚类思想提出了一种复杂背景建模和前景检测方法.利用样本一致性原理,采用前n帧序列图像得到初始化背景,避免了Ghost现象的发生;根据实际复杂背景的动态反馈获取自适应聚类阈值和自适应更新阈值进行随机聚类,从而实现了对动态背景的适应性;通过全局扰动阈值和局部像素级判断阈值的结合,实现了对光照缓慢变化、快速变化以及突然变化的免疫性,准确地分割前景目标.对多组数据集的测试结果表明,本文算法较大地提高了背景模型对动态背景、光照变化及相机抖动的复杂背景的适应性和鲁棒性.算法还能很好地适用于红外图像检测运动目标的场合,扩展了本算法的应用范围.在没有进行任何图像预处理和形态学后处理情况下,得到的原始前景检测精度优于其他对比算法.

复杂背景下改进视觉背景提取的前景检测算法

针对视觉背景提取模型存在的鬼影抑制效果差、动态背景适应能力不足等问题,提出了一种改进的视觉背景提取模型算法。在模型构建阶段,该算法充分融合时空域信息初始化背景模型,避免了样本的重复选取,提高了鬼影抑制能力;在像素分类阶段,根据背景动态程度,引入自适应距离阈值代替全局固定阈值,增强了模型对动态背景的适应性;在背景更新阶段,对连续多帧判定为前景的像素点进行阈值判断,并及时更新到背景模型,消除了运动背景与静止前景造成的虚影现象。多个公开视频数据的测试结果表明,该算法相比典型算法在复杂背景下检测的准确性和鲁棒性都有了很大提高。

复杂背景下基于Vibe和改进LBP的运动目标检测算法

在雨雪纷飞、不停波动的湖面等自然背景下,运动目标检测的准确性会受到巨大影响。因此,在动态背景中将前景目标准确地提取出来是复杂场景下运动目标检测的首要任务。针对现有visual background extractor(Vibe)算法在复杂背景下检测效果较差且易受光照变化影响的问题,提出了一种将Vibe算法与改进局部二值模式(LBP)特征算子结合的运动目标检测算法。首先,计算并保存每一帧的LBP值图像,采用相邻帧补偿策略稳定图像,减少光照对灰度值的影响。然后,使用Vibe算法建立背景模型,用改进的LBP值代替灰度值来进行前景检测。最后,进行形态学操作得到最终的前景目标。实验结果表明,所提算法和其他传统算法相比,对动态背景的抑制效果好,对比原始Vibe算法召回率平均提升25.6%,准确率平均提升12.5%,误检率平均降低22.6%。