动态背景下基于改进视觉背景提取的前景检测

由于视觉背景提取算法(ViBe)对存在动态背景的户外视频的前景检测结果依然不够精确,故提出了一种改进的ViBe算法。文中描述了经典ViBe算法及其特点;介绍了改进的ViBe算法针对动态背景的改进措施。该算法采用多帧连续图像初始化背景模型,降低了单帧图像初始化所产生的"鬼影"对前景检测精度的影响;在匹配过程中,引入自适应的匹配阈值,克服了单个的全局阈值对动态背景适应能力差的问题;最后,在更新过程引入空间一致性判断与模糊准则来减少算法的误检,提高了算法的鲁棒性。实验结果表明,该算法可以有效地检测动态背景下的运动目标,检测准确率比经典ViBe算法提高了20%以上。

室外视频前景检测中的形态学改进ViBe算法

背景差分法是实际中应用最广泛的前景检测方法,其关键是背景建模,比较常用的背景建模方法是高斯混合模型GMM(Gaussian Mixture Model)。最近一种称为视觉背景抽取算法ViBe(Visual Background extractor)由于其简单、快速的特点得到了越来越多的重视。但对于存在动态背景的户外视频,仍然存在噪声及背景的干扰。提出用形态学方法对算法进行改进,即先用开操作来消除噪声,再用闭操作来填充物体内细小空洞等。用ROC曲线测试了算法性能,结果表明,进行形态学处理后算法性能有了比较大的提高,比如对于户外视频Watersurface,在FPR为1%时TPR最高提高了31%。

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。

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.

采用低秩与加权稀疏分解的视频前景检测算法

传统的鲁棒主成分分析模型能较好地解决视频前景检测问题.但是,若该模型的假设条件不能满足,算法性能会变差.针对此问题,本文提出了一种低秩与加权稀疏分解模型,通过对前景矩阵加权以增强其稀疏性.在建立加权矩阵的过程中,采用光流法获取每帧的运动矢量,以区分真实运动区域.其次,进一步提出一种增强模型,通过将加权矩阵作用于观测矩阵及背景矩阵,防止前景与背景的错误分离.实验结果表明,在无噪和有噪的情况下,提出的算法均能有效地分离监控视频中的前景和背景.

相机抖动场景下的运动前景检测算法

前景检测是视频监控中信息提取的关键,而相机抖动造成背景边缘的像素极易误检为前景像素,降低前景检测的精确度.为此,提出相机抖动场景下一种基于运动信息的前景检测算法:分析二值图像中候选前景点的运动信息,构建非参数的背景运动信息分布模型;计算候选前景的运动信息与背景模型的概率似然性,由自适应的阈值控制来确定真实前景,该自适应阈值由Mean-shift及信息熵算法共同确定,可以克服单个的全局阈值对场景变化适应能力差问题;针对检测到的前景点和背景点的运动信息,采用首进首出的策略更新背景运动信息分布模型,提高模型对场景实时变化的适应性.实验结果表明,该算法具有良好的鲁棒性,能有效地检测相机抖动场景下的运动前景.

改进的基于统计模型的前景检测方法

针对基于统计模型的前景检测方法进行改进:一方面,背景模型中记录特征向量属于背景的历史最大概率,在当前帧像素点特征向量与背景模型中已有特征向量匹配时,利用历史最大概率提高其更新速度,使其尽快融入背景;另一方面,对利用贝叶斯决策规则检测的前景目标,剔除其轮廓信息后与背景的空间特征进行匹配,减少阴影对前景检测的影响。实验结果表明,与MoG方法和Li的统计模型方法的前景检测相比,该方法在阴影剔除以及大目标物体遮挡背景恢复等方面都有明显改进。

光照突变场景中结合Phong模型的分层差分前景检测

针对前景检测中光照突变问题和非平稳背景扰动问题,提出一种块级-像素级分层背景差分结合Phong模型的前景检测方法。首先,利用块级Sigma-delta背景差分算法快速检测前景区域且有效处理非平稳背景,然后利用Phong模型对前景区域进行光照突变处理提取出粗目标,最后利用像素级Sigma-delta算法对粗目标执行像素级前景提纯操作和对背景进行更新。实验表明,该方法在光照突变场景中及非平稳背景中能鲁棒实现前景检测。

消除阴影和高亮噪声的双梯柱体码本前景检测模型

为解决智能视觉监控中前景检测存在阴影和高亮噪声影响的问题,提出一种双梯柱体码本(DTCC)前景检测模型。首先,根据阴影与背景相比亮度较低且色度不同的特点,将模型下部构造成正立的梯柱体阴影检测区;随后,根据高亮噪声与背景相比亮度较高、色度不同的特点,将模型上部构造成倒立的梯柱体高亮噪声检测区域;最后,模型中部采用圆柱体构造成主体背景区域,最终形成DTCC模型。实验结果表明:DTCC模型具有更高的实时性,平均帧率约为15.61帧/s,比iGMM模型、CBM模型和HC3模型的帧率分别高出76.05%、24.60%和41.09%;具有更优的阴影和高亮噪声消除性能,平均阴影和高亮噪声消除率分别约为70.61%和83.41%,均高于对比模型。

适用于地铁异物前景检测的神经网络——DifferentNet

针对地铁站屏蔽门与列车门间隙空间异物检测问题,提出了一种结合语义分割与背景参考的前景检测方法。该方法通过深度神经网络DifferentNet检测图像中的异物区域,首先,在列车停靠站台的过程中采集背景图片和待检测图片,通过网络的编码部分提取图像的特征信息得到特征金字塔,将两幅图片的特征图连接,再由解码部分计算特征差异得到待检测图片的前景热力图,最后经阈值分割和轮廓筛选得到检测结果。实验结果表明,该方法的前景交并比(c IoU)达81.2%,调和均值F 1达89.5%,运行速率为30帧/s,与传统方法及无背景参考的图像分割网络相比,取得了更好的效果。

一种基于改进视觉背景提取算法的前景检测

针对视觉背景提取ViBe算法在前景检测中存在的鬼影现象且长时间难以消除的缺点,提出一种改进的视觉背景提取算法。首先,在视频前n帧序列的帧差法中,引入大津(OTSU)算法求自适应阈值,以分割出更为准确的前景区域;其次,利用去除前景区域的前n帧图像合成一张尽量少的包含前景区域的样本图像;最后利用扩展的邻域范围在合成的样本图像中对模型初始化,并把扩大的范围用在ViBe背景模型更新阶段。该算法与各种经典算法在大量视频库中进行了对比实验,仿真结果表明,改进的ViBe算法能快速消除鬼影对前景检测的影响,前景检测更为准确。

基于图像融合的运动前景检测方法

提出了一种有效的运动前景检测方法。该方法根据图像融合思想,将背景帧与监控视频的当前帧在R,G和B颜色通道分别进行融合,形成包含背景帧和当前帧视觉信息的单一融合图像。之后根据背景区域与前景运动目标在饱和度上存在较大差异的现象,使用大津算法分割融合图像的饱和度分量图,形成运动前景二值图。经形态学处理后,形成了目标区域较完整、背景干净的运动前景检测图。实验结果显示,该算法具有较好的前景检测性能,解决了背景减法过分依赖背景帧的缺陷。

结合加权Schatten-p范数与3D全变分的前景检测

针对低秩与稀疏方法一般将前景看作背景中存在的异常像素点,从而使得在复杂场景中前景检测精确度下降的问题,提出一种结合加权Schatten-p范数与3D全变分(3D-TV)的前景检测模型。该模型首先将观测数据三分为低秩背景、运动前景和动态干扰;然后利用3D全变分来约束运动前景,并加强对前景目标时空连续性的先验考虑,有效抑制了不连续动态背景异常点的随机扰动;最后利用加权Schatten-p范数约束视频背景的低秩性能,去除噪声干扰。实验结果表明,与鲁棒主成分分析(RPCA)、高阶RPCA(HoRPCA)和张量RPCA(TRPCA)等模型相比,所提模型的综合衡量指标F-measure值是最高的,查全率与查准率也处于最优或次优状态。由此可知,所提模型在动态背景、恶劣天气等复杂场景中能有效提高运动目标的提取精确度,且提取的前景目标视觉效果较好。

一种快速的前景检测算法

文章提出一种快速前景检测算法,通过对背景差分得到的前景区域进行处理分析,能够区分出正确的运动区域和由于光线突变而引起的运动区域。首先使用快速背景更新算法建立背景模型及分割出前景,然后提取运动区域,再对运动区域和差分图像进行分析处理,识别出由于光线突变而引起的运动区域,最后对背景进行修正。采用该方法能准确地提取前景中的运动目标区域,同时达到了自适应背景更新的目的,并且算法实现简单,实时性较高。

基于视频传感器网络和交通信号的路口前景检测

针对传统背景减法并不完全适合路口前景检测的需要,提出一种利用交通信号增强背景减法性能的前景检测新方法。该方法将交通信号与视频传感器网络相结合,通过传感器网络感知环境变化,从而获取实时准确的交通视频信号,并为各像素分配自适应学习率。新旧方法的对比测试实验结果表明,新方法提高了检测精度,具有广阔的应用前景。

双背景模型的快速鲁棒前景检测算法

针对前景检测中的光照变化问题,提出一种基于双背景模型的快速鲁棒前景检测算法.通过建立简单的快慢双背景模型,提高前景检测的效率.结合视频时间感知信息和光照补偿措施,增强算法对光照变化的鲁棒性,提高前景检测精度.在具有光照变化的公开数据集上进行测试,实验结果表明:所提出的算法不仅对光照变化有较强的鲁棒性,同时,具有极快的处理速度.

基于实时H.264码流时域滤波的前景检测实现

设计一个基于时域滤波的前景检测算法,实现实时系统中前景检测和图像去噪的功能。在时域中对每个点进行前景、背景分析,从而检测出所有的前景点,并且对生成的前景、背景二值图像进行分析,过滤由噪声引起的虚景,从而较好地检测出图像中的有效前景。这种算法具有较小的时间复杂度,可以较好地应用于实际的系统中。

一种基于三层圆柱体码本模型的前景检测算法

针对经典码本模型算法无法消除运动目标阴影和码本模型参数难以调节的问题,提出一种在YUV空间下的三层圆柱体码本模型算法。该算法根据运动阴影与背景相比色度相同亮度偏低的特点,在模型底部构建了阴影背景模型;根据光照变化的特点,在模型顶部构建高亮背景模型;并对亮度分量进行高斯建模,用以调节码本模型参数。实验结果表明:采用该模型和参数调节方法能较好的去除阴影和适应光照的变化,而且较好的检测精度和鲁棒性,适用于复杂环境下的前景检测。

融合时域特征识别的前景检测算法

前景检测是计算机视觉领域的重要研究内容之一,动态背景对实际检测效果有很大的影响.针对复杂场景下的前景目标检测进行了深入的研究,提出一种融合时域特征识别的前景检测算法.首先对场景建立稳定的背景模型,通过该模型初步识别出可能存在的前景区域,然后利用小波变换提取此区域的时域变化特征,通过对时域特征分析进一步区分动态背景与真实运动目标,从而降低动态背景对检测效果的影响,最后利用形态学和连通性分析对结果进行后处理.实验结果表明,本文算法可以有效的降低动态背景区域的误检测率,提高整体检测效果.

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。