基于ViBe的运动目标检测改进方法

针对运动目标检测算法视觉背景提取(visual background extractor,ViBe)对光线突变适应缓慢和易产生目标丢失等问题,提出一种ViBe的改进算法。充分利用ViBe算法初始化特点,在ViBe中加入光线判定方法并设计生成ViBe新背景模型的方法,改变原始ViBe算法结构,使ViBe算法在光线突变时找到合适的帧重置背景模型,将光线突变时模型恢复问题变为模型重置问题,达到迅速适应光照突变的目的。实验结果表明,使用该方法可以使ViBe有两方面的改进:在光线突变时不会产生目标丢失;使ViBe算法更加快速地适应光照变化。

基于直方图比较的高斯混合模型更新算法

高斯混合模型背景差法的难点在于对背景模型进行有效更新。针对该问题,提出一种高斯混合模型的自适应更新算法——HCGMM。通过量化帧间灰度直方图的差异,得到图像的亮度变化值,并依据亮度变化值对高斯混合模型参数进行调整。实验结果表明,即使在画面光强剧烈变化的情况下,该算法也能够准确地重构背景,避免过度检测现象,从而实现对运动目标的完整提取。

运动目标检测中的环境感知与自适应研究

在复杂环境下,任何环境的改变都会对运动目标检测的准确性产生影响。因此提出广义高斯混合模型与背景减除法相结合的算法对运动目标进行检测。该模型可以灵活地感知环境,自适应地处理视频背景模型中背景的环境变化,如光线渐变、背景扰动、阴影和噪声等,而且当光线突变时可以迅速感知并重新建模。此外为了满足实时性,采取每隔3帧进行一次背景更新的策略。实验结果证明本算法在满足实时性的同时,能准确检测出运动目标。

快速混合高斯模型的运动目标检测

针对经典混合高斯模型算法在实际应用中计算量大实时性差,且对光线变化和运动物体速度敏感的缺点,提出一种改进的快速检测算法.通过选取合适的间距,先用帧间差分法提取出完整的运动区域和背景区域,只对前者进行混合高斯模型匹配,来降低计算量.对背景图像不同区域采用不同背景更新率,及时响应背景变化.最后引入一个光线突变参数,来预防光线突变给检测带来的干扰.通过实验,证明本算法在实时性,鲁棒性,稳定性等上有了很大的改善,能够很好的检测出运动目标.

基于对称差分和背景减的运动目标检测

通过对视频运动对象特点的分析,提出一种针对静态场景的运动目标检测算法。该算法采用一种改进的时间平均法初始化背景,在有目标的情况下也能构建出可靠的背景,并融合背景减法和多重对称差分法对背景进行自适应更新。实验结果证明,该算法计算简单,对光线变化具有适应性,能够完整地提取运动目标,改善了运动目标的检测效果,具有一定的鲁棒性。

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.

移动机器人室内运动目标检测的一种新方法

针对室内环境提出了一种运动目标检测新方法,可有效克服室内光线的突然性变化,并能准确检测和提取室内运动的物体.首先将RGB图像转换为更适合图像处理的HSI图像;然后将背景差和帧间差有效融合,以克服室内光线的突然性变化;最后通过背景差和帧间差的合理选择性应用,可准确提取室内运动的物体.方法的核心是在HSI颜色模型下,通过背景差和帧间差的有效利用,从而极大地提高了室内运动目标检测与提取的准确性.实验结果证明了本方法的可行性和可靠性.

一种基于轮廓和混合高斯模型的运动车辆视频检测方法

针对光线突变对视频中运动目标检测的干扰问题,根据光线变化对事物轮廓没有直接影响的特点,提出了利用轮廓边缘元素建立自适应混合高斯背景模型的检测方法,有效地解决了由于光线突变造成的背景建模失真和前景目标难以准确提取的问题.实验表明该方法能够准确、实时地检测出复杂天气条件下的运动车辆目标,具有很强的鲁棒性.