光照突变环境下基于高斯混合模型和梯度信息的视频分割

基于高斯混合模型和帧间梯度信息提出了一种新的运动目标分割算法。首先,在利用亮度信息对背景建立自适应高斯混合模型的基础上,进行前景的粗分割;其次,由于视频信号的亮度和色彩分量随光照突变有较大的改变,导致大片背景的高斯模型产生错误匹配,误判为前景,为了提高高斯模型分割算法的鲁棒性,结合结构梯度互相关函数对分割结果进一步校正,能适应剧烈的光照变化;最后,利用数学形态学进行后处理,消除影子和孤立的噪声点。通过不同场景的运动分割实验结果表明,该算法在复杂背景和剧烈光照变化条件下具有较强的鲁棒性和较高的分割精度。

目标跟踪算法在光照突变条件下的应用

为了保证光照突变条件下运动人体跟踪的正确性与持续性,提出可用于光照突变条件的目标跟踪算法.首先自动检测光照突变状态,当发生光照突变时,摄像机通过曝光补偿使光照突变前后的图像亮度保持一致.然后基于可持续跟踪Mean-Shift算法对光照突变前后的运动人体进行跟踪.实验结果表明,该算法在光照突变条件下可以对运动人体实现准确而持续的跟踪.

光照突变下融合多类特征的场景分割方法(英文)

为解决场景模型在快速光照变化下失效的问题,提出了一种新的前景目标分割方法。该方法共包括三个步骤。首先,利用全局光照函数建立高斯混合模型;其次,提取当前帧中的纹理、ZNCC及轮廓特征;最后,将提取到的特征分两阶段与高斯混合模型进行融合(第一阶段:融合纹理及ZNCC特征;第二阶段:融合轮廓特征),得到最终的场景分割结果。实验结果表明:该算法具有较好的鲁棒性,并且相较于基于全局光照建模的方法具有更高的精度值及召回值。

LTP与光照突变补偿结合的运动目标检测算法

针对现有运动目标检测算法在光照突变条件下鲁棒性不强、易发生误检等问题,提出了将LTP算子与光照突变补偿模型结合的运动目标检测算法;首先利用LTP算子获取当前帧与其背景图像的纹理特征图,然后计算当前帧图像像素点作为前景点的概率并依据概率自适应地更薪背景,再判断图像是否发生光照突变补偿并采用线性模型补偿突变图像序列,最后利用背景减除法获取运动目标;实验结果表明文中算法在光照突变条件下对运动目标检测效果理想,检测精度指标PR高于同类其他算法,且具有良好的鲁棒性。

光照突变环境下视频图像传输无损编码算法

光照突变视频信号在传输过程中容易受到外界干扰,导致视频通信丢包和失真,需要对视频信号进行无损编码处理。传统的编码算法采用分数阶傅里叶变换算法,受到高阶特征的非线性约束,导致视频编码性能不好。提出一种基于经验矩估计的光照突变视频无损编码算法,构建视频信号传输网络结构模型,进行关键帧特征提取,通过计算视频传输信号的经验矩估计特征,进行域特征点分离,通过幅频变换得到光照突变发生时的像素差,实现视频编码算法的改进,仿真结果表明,采用该算法能有效提高视频传输的正确前景点率,视频编码的码本准确度较高,保真性好,实现无损传输,提高视频通信的性能。

光照突变环境下运动目标检测方法研究

针对在传统目标检测中,对于光照突变环境处理能力较低的问题,提出一种结合混合高斯背景建模和三帧差分法的方法。该方法在混合高斯背景建模的基础上,采用统计法,判断是否有光照变化,对待光照突变环境中的目标检测,采用三帧差分法。同时,将检测区域分为静态区域与动态区域,对静态区域实行隔帧检测,减少程序计算量。实验结果表明,该方法能够很好地对光照突变环境下的运动目标进行检测。

一种适应光照突变的运动目标检测方法

目的:针对现有运动目标检测方法在光照突变场景下存在的问题,提出一种能够快速适应光照突变场景的运动目标检测方法。方法:基于自组织神经网络背景减除方法进行改进,利用图像全局亮度变化幅度来判断当前图像是否发生光照突变,若发生则对背景模型进行光照补偿,并改变背景模型的更新策略,使算法能够快速适应光照突变场景。结论:实验证明该方法能够有效改善算法在光照突变场景下的检测效果。

基于颜色梯度融合高斯模型的光照突变干扰消除

光照突变对图像处理中的图像检测与识别具有重要影响。在分析光照干扰的突变特性基础上,提出一种基于颜色梯度融合高斯模型的光照突变干扰消除方法。首先通过在传统的高斯图像模型中加入颜色突变梯度融合算子,对传统的模型进行合理的优化,尝试性地消除光照突变对模型稳定性的影响;然后利用背景梯度分布获取的梯度矢量概率对背景区域进行合理的区分。后期的计算机仿真实验结果表明:优化后的模型对于消除图像在光照突变环境下的干扰效果较好,实验数据也支持了这一观点。

红外光照突变下的运动目标检测

提出了一种结合边缘混合高斯模型与帧间差分的方法,来实现红外光照突变场景下的运动目标检测。该方法通过统计阈值及图像方差的变化范围来判断光照突变情况的发生,并引入减缓因子来改进模型。实验结果表明,与传统检测方法相比,改进方法误检率更低,检测准确度更高,稳健性更强,更能有效解决智能安防监控系统中光照突变及红外模式过渡导致的误报问题。

面向局部光照突变的时间和空间中心对称局部二值模式算子

针对现有背景建模方法对局部光照突变非常敏感的问题,提出了一种新的时间和空间中心对称局部二值模式(TSCS-LBP)算子,并基于该算子的直方图设计了一种背景建模方法。TSCS-LBP算子在中心对称局部二值模式(CS-LBP)算子的基础上加入时域信息和中心像素信息,并引入有光照因子的自适应阈值,从而在保持较低计算复杂度的基础上,具有能够快速适应光照突变的能力。在此基础之上设计的背景建模方法,能够在常用实验场景中较为准确地检测出前景,有较高的抗噪性和检测精度;同时在有局部光照突变的特殊场景中也有很好的适应能力,与已有方法相比有较高的优越性。实验结果表明了本文方法的有效性和鲁棒性。

光照强度突变场景下的三维目标跟踪研究

文中基于多源特征的卷积神经网络,通过挖掘智能体位置、速度、方向协同变化中的运动行为知识,设计基于融合特征信息熵的目标跟踪决策模型,校准三维目标跟踪准确度.在nuScenes自动驾驶公开数据集、路桥隧道数据集上进行验证,结果表明:该算法相比现有方法,在光照强度突变场景下关键指标AMOTA显著提升.

基于高斯混合模型的光照自适应背景减法

采用带有光照自适应的基于高斯混合模型的背景减法提取移动物体的图像.通过只更新感兴趣的高斯分布减少运算量;对基于改进的高斯混合模型算法提取的图像,当光照快速变化时进行光照补偿.实验结果表明,改进的高斯混合模型算法,对光照快速变化的场景有较好的适应性,提取的图像效果较好.

室内场景中适应光照变化的运动目标检测算法

为了进一步提高室内检测跟踪系统的有效性和稳定性,以经典的混合高斯模型为基础,结合了积分直方图方法,提出了一种室内场景中适应光照变化的运动目标检测算法。该方法通过当前帧和背景帧的全局积分直方图差分来确定光线变化的程度。对于全局的光线突变,进行模型的全局更新。对于局部的光线变化,用光线变化比例作为高斯模型权值更新率因子,实时控制更新速率。再对高斯模型提取的前景,用区域局部积分直方图进行虚假前景的判断和消除,从而进一步提纯真实前景。仿真实验结果表明:算法较好地消除了场景中光照变化对目标检测的影响。

背景差分与三帧差分结合的运动目标检测算法

针对基于混合高斯模型背景差分法对光照突变敏感的问题,提出了背景差分法与三帧间差分法相结合的运动目标检测算法;首先利用当前帧与混合高斯模型建立的背景模型差分,快速检测出运动变化区域;然后,通过与设定的阈值比较,判断场景内是否发生光照突变,场景中若未发生光照突变,则采用混合高斯模型背景差分法提取运动目标,若发生光照突变,采用三帧间差分法提取运动目标;实验结果表明,在光线发生突变情况下,文中提出的算法同样能够取得较好的检测效果,具有很强的适应性和鲁棒性,可用于实时监测系统。

复杂场景下的快速目标检测算法

针对场景发生改变的目标检测,提出了一种快速的目标检测算法。该算法将像素点划分为背景点和前景点两类,使用聚类的方法并采取像素级收敛条件分别建立背景和前景模型。背景模型的更新适用于全局发生缓慢的变化,稳定的前景模型向背景模型的转化对光照等其他场景突变具有很好的鲁棒性,使背景模型实时逼近真实背景,同时改进连通域扫描分割算法,提高目标分割速度。实验结果表明,该方法具有很好的鲁棒性,能够快速准确地检测出运动目标,为在DSP等嵌入式系统上实现实时目标检测提供了有利条件。

一种基于边缘高斯混合模型的运动目标检测方法

针对现有方法在复杂多变环境下不能很好地检测出运动物体的问题,结合图像边缘轮廓信息和自适应高斯混合模型提出了一种新的运动目标提取算法,利用图像边缘信息不随光照的变化而发生突变的特性,对图像边缘进行混合高斯建模,学习背景的边缘信息,从而有效地提取运动目标的轮廓信息。与传统方法相比,提出的运动目标检测方法能更好地适应光线的变化,可有效地提高运动目标检测的准确度。

基于SIFT特征匹配的CamShift运动目标跟踪算法

针对复杂背景下采用一般CamShift算法跟踪目标容易失败,提出将SIFT(Scale Invariant Feature Transform)特征点匹配融入到CamShift算法。该算法利用SIFT特征对尺度和方向无关特性实现连续图像序列的精准匹配,具有对尺度缩放、目标旋转以及亮度变化保持不变性的优点,不仅弥补了一般CamShift算法只以颜色为关键信息的不足,而且可将目标跟踪窗口形心和质心间的位移稳定在设定阈值内。最后通过对比性实验来验证该算法的有效性和稳定性。实验结果表明,该算法能够对复杂背景下的光照突变、缩放和旋转运动目标实现实时稳定跟踪。

改进ViBe的运动目标检测算法

针对ViBe算法对光照突变不敏感以及由于背景存在大量高频扰动对象而被误检为前景的问题,在经典ViBe算法的基础上提出了改进方法。采用分离视频帧HSV空间中V分量均值作为判断光照突变的方法,由实验得到判断光照突变的阈值Δω=0.1作为判别条件,若光照发生突变则采用突变平稳后的视频帧作为初始帧重新建模,以此解决光照突变问题,由于算法初始建模时存在运动目标会产生“鬼影”的情况,采用连续两帧差分背景模型的方法去除“鬼影”,并提出判断扰动强弱情况的扰动强度因子概念,根据扰动强度因子强弱程度,动态的改变背景建模时匹配半径的大小。实验表明,改进ViBe算法在光照突变和背景高频扰动情况下比原算法的误检率平均降低6%左右,且能够达到实时检测的效果。

一种基于改进三帧差分和ViBe算法的运动目标检测算法

近几年提出的ViBe算法具有运算速度快,目标提取准确率高的特点,但是它对光照的突然变化也非常敏感,而且由于它的模型初始化的方式,也容易形成"拖影"现象。文中先通过引入传统三帧差分算法难以提取出完整的目标轮廓这一问题,提出一种结合边缘检测的改进三帧差分算法。该算法在提取出完整的运动目标的同时不会附加冗余的边缘信息。然后将该算法引入到ViBe算法中,使2种方法结合,一方面消除"拖影"现象,另一方面可以自适应地选择检测的方法,以消除光照突变造成的影响。试验结果表明,该改进算法是一种适应性强、鲁棒性高的运动目标检测算法。

基于高斯混合模型和帧间梯度信息的运动目标视频分割算法

视频序列的运动分割是运动分析和运动跟踪的基础,本研究基于高斯混合模型和帧间梯度信息提出了一种新的运动目标分割算法。在利用亮度信息对背景建立自适应高斯混合模型的基础上,进行前景的粗分割;针对由于视频信号的亮度和色彩分量随光照突变有较大的改变,导致大片背景的高斯模型产生错误匹配,误判为前景的问题,为了提高高斯模型分割算法的鲁棒性,结合结构梯度互相关函数对分割结果进一步校正,使之能适应剧烈的光照变化;最后,利用数学形态学进行后处理,消除影子和孤立的噪声点。通过不同场景的运动分割实验,表明该算法在复杂背景和剧烈光照变化条件下具有较强的鲁棒性和较高的分割精度。