Ghost Shadow:the Effect of Eugene O'Neill's Tragic Family

As one of the world-famous playwrights,Eugene O'Neill is no doubt the father of modern American drama.He is regarded as "American Shakespeare" and becomes the winners of Nobel Prize and Pulitzer Prize totally for four times.One of his classic drama desire under the elms denotes his attempts to place plot elements and themes of Greek tragedy within the conflicts among a Puritan family members.In the general plot,there is one special character that does not appear in the stage while leading the whole tragedy of the family.She is the ghost in the play.Actually,this ghost is nobody but human's desire,that is,desire of lust,desire of money and desire of monopolization are the real murders of killing those happiness.However,from O'Neill's whole personal life,it is not difficult to find the reason why this play filled with ghost shadow.Consequently,this paper will analyze the ghost shadow step by step,first in the play itself,second in the theme,and finally the author himself to reveal that desire under the elms has been the reflection of O' Neill's own family life.

视频图像运动目标鬼影校正算法研究

运动目标检测准确度低,完整性差,且易受鬼影干扰。为解决上述问题并提高运动目标检测的背景适应度,将自适应VIBE算法与HOG匹配鬼影相结合,提出一种运动目标校正算法,即HAVB算法。算法首先采用采用ADVIBE算法对预处理后的图像分离目标背景,通过自动更新匹配与距离阈值,提高背景动态适应性;然后采用HOG计算匹配与素值置零的方式,检测并抑制鬼影影响,提升目标检测的完整度;接着通过提取阴影概率分布逐点匹配算法,检测并消除阴影区域,同时基于形态学操作与阈值降噪抑制误差噪声提高目标检测的准确性。不同图像校正基线算法仿真对比实验结果表明,在AEID健美操图像数据集上,较传统算法相比,提出的HAVB算法校正后的图像目标检测准确度高,稳定性强,且具有较高的背景动态适应性:P、R和F指标参数平均提高了6.6%、6.1%和6.2%,背景提取时间平均降低了47.9%。综上所述,构建的HAVB图像鬼影校正算法模型有效的提高目标检测的完整度与准确率,为目标识别与跟踪打下良好基础,具有重要的研究意义。

基于融合帧间差的改进Vibe方法

Vibe(Visual background extractor,视觉背景提取)算法速度快,能有效抑制噪声,但是也有缺陷,比如无法有效去除运动目标阴影,且不能快速去除"鬼影"区域。针对上述问题,提出了一种基于融合帧差法的改进Vibe算法。利用新的帧差法,提出如下改进:在灰度空间进行前景检测并利用亮度信息去除运动目标的阴影;巧妙运用帧差法的特性,利用两种方法所得的背景进行"与"操作,快速去除Vibe产生的"鬼影"。最后用形态学方法对检测结果进行改善,给出实验验证结果。结果表明,文中提出的改进方法可以很好地去除阴影,并能快速去除"鬼影",从实际效果上提高了算法的可靠性和检测的准确性。

基于改进的单高斯模型的运动目标检测方法

对传统的单高斯模型作了一些改进,有效地解决了传统单高斯模型中的拖尾、鬼影问题。对单高斯模型中均值与均方差的更新率的选取提出了一种新方案,能够兼顾高斯模型的收敛性和稳定性。将基于色度畸变与一阶梯度信息的阴影消除方法结合起来,能够很好地消除阴影,使得提取出的运动目标轮廓更为精确。实验结果表明,在室内以及背景较为稳定的室外环境下,基于单高斯模型的运动目标检测方法能够很好地检测出运动目标。

基于ViBe的动态目标检测算法优化

针对ViBe算法在动态目标检测中鬼影和阴影现象难以消除的问题,在ViBe算法基础上提出三点算法优化方法。首先在背景建模中扩大样本取值范围减少判别误差,然后利用鬼影区域定点背景模型重建方法快速解决由动态目标建模中导致的鬼影问题,最后在HSV色彩空间中利用色度找出候选阴影区域,比较区域梯度阀值消除动态目标的阴影。实验证明优化后的ViBe算法不仅保留了其动态目标检测实时性高的优点同时也能够很好的解决原本算法中存在的鬼影和阴影问题,从而能够很好地将动态目标从背景图像中分割,利用分割后的图像可以实现固定背景下动态目标跟踪。

基于改进YOLOv5的口罩佩戴检测算法

在公共场合密集人群场景下,由于目标遮挡导致的信息缺失及检测目标较小、分辨率低问题,使得人脸佩戴口罩检测算法的检测效果较差。为提高模型的检测精度和速度,减少硬件占用资源,提出一种基于改进YOLOv5s的口罩佩戴检测算法。将标准卷积和深度可分离卷积相结合替换传统卷积,并进行通道混洗的鬼影混洗卷积,以在保证精度的前提下提升网络速度。将最近邻法上采样替换为轻量级通用上采样算子,充分利用特征语义信息,在改进的YOLOv5s模型Neck层末端添加自适应空间特征融合,可以对不同尺度的特征进行更好的融合,提高网络检测精度,并通过自适应图片采样,缓解数据不均衡的问题,运用马赛克数据增强对小目标进行充分利用。实验结果表明,该算法在AIZOO数据集上的mAP值达到了93%,比YOLOv5原始模型提升了2个百分点,对于佩戴口罩的人脸检测精度达到了97.7%,优于同等情况下YOLO系列、SSD、RetinaFace的检测效果,同时在GPU上的运行推理速度提升了16.7个百分点,且模型权重文件的内存仅为23.5 MB,适用于实时口罩佩戴检测。

一种改进的理想滤波器方位模糊抑制方法

合成孔径雷达(SAR)图像的方位模糊问题是由于方位向欠采样引起的,其严重影响判读人员对SAR图像的解译。阐述了方位模糊的来源及其建模,进一步总结了利用理想滤波器进行方位模糊抑制的方法及其局限性,针对该方法的参数失配问题,从主像和模糊像在方位向和距离向上的偏移距离的角度出发,提出并明确分块处理大区域方位模糊抑制的思路及分块原则,理论及计算机仿真实验结果验证了该方法的有效性。

基于混合高斯模型的运动目标检测

针对现有方法在复杂的环境下不能很好地检测出运动物体的问题,提出了一种改进的基于混合高斯模型的背景消减法检测运动目标。改进了背景模型的更新算法,提高了背景更新速度。利用帧间差分法消除了运动影子和光照突变问题,并采用(r,g,I)颜色空间检测和抑制了运动阴影。实验结果表明,该算法能很好地提取出运动目标。

一种新的基于ViBe的运动目标检测方法

针对ViBe运动目标检测算法在实际环境中存在无法消除鬼影、阴影等干扰的问题,结合三帧差分、边缘检测等技术,提出了一种ViBe改进算法。预处理阶段通过三帧差分获得真实背景并消除鬼影,运动目标检测阶段结合先验知识和边缘检测方法获得真实的运动目标以消除阴影,目标描述与跟踪阶段运用像素标记分割方法得到目标描述并实现目标跟踪。实验结果表明,新方法在消除鬼影、阴影等干扰方面表现出了优越的性能,在交通监控实时视频流中具有理想的车辆检测和跟踪效果。

基于双背景模型的改进Vibe运动目标检测算法

针对传统视觉背景提取法(Visual background extractor,Vibe)不能抑制鬼影和去除阴影干扰的问题,提出一种改进算法。缓存视频前K帧图像,利用随机抽样和改进均值法构建两个背景模型,分别用于前景检测和阴影去除;前景检测环节扩大样本的抽取范围,提高模型可靠度,抑制鬼影;替换虚假样本完成前景检测模型的更新;对所得感兴趣前景区域,结合灰度和LBP纹理特征信息消除阴影。实验结果表明,改进算法能有效抑制鬼影,消除阴影干扰,检测结果更加精确。

改进视觉背景提取算法在室内的研究

针对传统视觉背景提取算法(visual background extraction algorithm,ViBe)在室内监控条件下容易产生“鬼影”现象以及阴影难以消除的问题,提出一种针对人物室内活动的改进ViBe算法.针对容易引入“鬼影”现象,采用一种外接矩形像素直方图的方法,利用运动目标区域直方图与邻域背景区域直方图相似度匹配,快速检测“鬼影”现象,设置鬼影点像素值并参与背景模型更新,从而快速消除“鬼影”现象.针对阴影难以消除的问题,采用YCbCr颜色空间与混合高斯阴影模型相结合的方法共同确定阴影区域,从而解决阴影问题.仿真结果表明,相较于传统的ViBe算法,本文算法能够有效的消除“鬼影”现象,解决阴影问题,运动目标检测的准确性也得到了有效提高.

基于改进ViBe算法的运动目标检测

运动目标检测是智能视频监控中必不可少的环节,其检测结果的好坏影响着后续的研究。针对ViBe算法的不足,对ViBe算法进行了改进。根据chromacity法检测出阴影,通过在当前像素上添加与平均背景强度之间的差值来移除阴影;根据均值法提取出的背景建立初始背景模型,消除后续帧检测时出现的鬼影;通过缩小更新因子加快背景模型更新速度,快速消除均值法在运动目标过多时不能得到干净背景的问题;用自适应阈值代替固定阈值,引入颜色失真值,根据自适应阈值以及颜色失真值进行像素点分类;对前景目标进行去除小面积连通域操作以降低动态背景及噪声的干扰;通过进行闭运算操作以填充目标区域的空洞。实验采用CDnet 2014数据集进行验证,实验表明,改进算法能够有效地消除阴影和鬼影,提高了检测精准度,检测效果较为理想。

改进的车流量估计ViBe算法

针对视觉背景提取(visual background extractor,ViBe)算法中出现的鬼影、阴影前景和漏检静止目标等问题,提出了经过改善的ViBe算法。首先在背景模型初始化阶段,利用改善的平均背景建模法建立初始化背景模型以消除鬼影。在前景检测阶段,通过计算运动目标与背景像素间的差值消除由于光照所造成的阴影,同时利用直方图相似度检测静止目标。最终在车道设置虚拟线圈检测区以检测各个车道的占用比,从而得出道路的交通情况。实验表明,经过改善后的ViBe算法在抑制鬼影出现、检测静止目标和消除阴影三个方面有较好的效果,能够准确检测出道路车流量。

一种基于傅里叶变换的改进ViBe算法

针对Vi Be算法在第1帧图像中含有运动目标时容易引入Ghost区域以及不能很好地去除阴影等问题.我们基于块的背景建模结合傅里叶变换,对Vi Be算法进行了改进.该算法对每一帧图像进行分块,在块内使用快速傅里叶变换,利用第1帧图像中每一块的直流分量建立背景模型,以后各帧与背景模型比较,检测出运动物体,最后通过扫描图像计算每一列前景像素的个数与设置的阈值进行比较,来消除阴影.实验结果表明,改进的算法可以快速的去掉Ghost区域以及很好地去除阴影.

改进的混合高斯模型的运动对象分割算法

针对视频序列中运动对象分割问题,提出一种改进的混合高斯模型分割算法.该算法首先由混合高斯模型得到前景,之后用当前帧的前景区域与上一帧对应位置做差,区分出实际变化区域及误检区域并为误检区域赋予较大的更新速率,从而有效地改善了长时间静止物体转为运动后留下的"鬼影"及光线突变导致的大面积误检情况.采用阴影抑制和形态学滤波使得前景目标分割的性能得到有效的提高.实验表明,本算法能够迅速响应实际场景的变化,准确分割出运动对象.

改进型ViBe算法及其在运动目标提取中的应用

提出一种基于阈值半径自适应更新及阴影与鬼影检测的改进型Vi Be算法,解决运动场景下Vi Be算法的目标提取效果易受背景高频扰动、摄像机抖动、阴影、鬼影的影响问题。算法设计中,依据当前帧的像素点梯度与背景图序列对应像素点的灰度均方差设计阈值自适应更新策略;依据背景图在HSV空间中的像素值设计阴影去除规则;利用前景-邻域直方图的相似度匹配规则设计鬼影清除规则。实验结果表明,改进型Vi Be算法在保留原有的高效性的同时,能够较好地消除视频图像中隐含的阴影和鬼影,以及抖动对目标提取的影响。

去除鬼影及阴影的视觉背景提取运动目标检测算法

针对视觉背景提取(Vibe)运动目标检测算法存在的鬼影及阴影问题,利用鬼影与背景相似而运动目标与背景差异大的特点,提出了一种基于前景和邻域背景像素直方图相似度匹配的方法,快速检测鬼影并更新背景模型;利用阴影的颜色特性和纹理不变性,提出在亮度和色度分离的YCbCr色彩空间中先根据颜色特性得到候选阴影区域,再利用完全局部二值模式算子(CLBP)提取区域的详细纹理特征,进一步检测与去除阴影。在公开视频数据库CDnet-2012上进行仿真,仿真结果表明,该算法能够保证运动目标被完整检测的同时快速去除鬼影和阴影,其检测精度比原Vibe算法提高了21.53%。

消除鬼影及阴影的改进ViBe运动目标检测算法

针对传统ViBe算法在运动目标检测中鬼影现象难以消除的问题,提出一种根据欧氏距离及Tanimoto系数计算前景-邻域背景像素灰度直方图相似度的方法来检测及消除鬼影;针对传统ViBe算法在运动目标检测中无法消除阴影的问题,提出了一种结合YCbCr颜色空间和混合高斯阴影模型的方法来检测及消除阴影。仿真实验结果表明,本文算法在保留原有ViBe算法高效性的同时,能够有效地消除鬼影及阴影问题。

基于改进的YUV＿Vibe融合算法的运动目标检测

针对视觉背景提取(Vibe)算法不能有效地去除目标阴影以及不能快速消除鬼影现象的缺点,提出了一种改进的YUV_Vibe融合算法。该方法通过扩大样本的邻域选取范围,从而有效避免了同一样本重复选取;将更新因子从16调整至4,且将样本更新个数变为2,提高背景更新速率,加快鬼影现象消除速率;将YUV颜色信息特征与Vibe相融合,消除了阴影影响;通过融合双模型的构建,有效地减少了阴影误检测率。通过视频数据集对算法进行实验论证,检测结果表明,改进了的YUV_Vibe融合算法在准确度与识别率上都有提高,且实验检测的结果更准确。

参数自适应去阴影前景目标检测算法

针对前景目标检测中出现的对动态背景适应力不佳、受鬼影及阴影干扰严重的问题,提出一种改进的视觉背景提取(ViBe)算法.首先,通过像素点的动力学模型和闪烁程度来衡量场景的动态程度,并以此自适应更新像素分类和背景模型中的关键参数;然后,利用鬼影的视觉显著性和静止不动的特点,快速找出并消除隐藏在背景模型中的鬼影像素;最后,针对在HSV颜色空间下创建的阴影候选区域,结合移动阴影的纹理不变性,使用LBSP纹理特征进行检测并去除阴影部分.实验结果表明:本文算法的前景检测准确度与错误分类率都要优于经典算法,适用于多种场景下的前景目标检测.