基于改进混合高斯模型的运动物体检测研究

针对传统高斯建模的初始化问题、参数值的计算依赖于先前所有帧和零散噪点较多等问题,提出了一种改进混合高斯模型的方法,即在初始化每个像素点时采用邻域特性与中值滤波相结合的方法,用来获取更接近实际的初始背景。同时对背景模型的更新提出了改进方法,在原有的背景排序基础上增加定时清零策略,使新加入的像素点能快速匹配。最后对特定区域的学习速率进行重新设定,再结合像素点的空间分布特性,达到消除零散噪点和部分空洞的目的。实验结果表明,与传统的混合高斯模型相比,该算法能准确地检测出运动物体,并对阴影和噪声有一定的抑制作用。

一种基于高斯混合模型的视频监控运动物体提取系统

现有的视频监控系统必须要依靠人对监控图像的实时观察才能发挥作用。设计并实现了一种基于高斯混合模型的自适应的视频监控运动物体提取系统,使用高斯混合模型对监控场景进行建模,利用对象形状的空间连通性和最小像素尺寸约束去除噪声影响,从而实时地分离出前景中的运动物体并对其进行追踪和计数,仿真实验的结果证明了系统的有效性。

基于高斯混合模型的抗差Bayes滤波在动态导航中的应用

在动态环境下导航定位受到很多因素影响,且异常噪声会严重影响导航滤波结果。通过研究Bayes滤波的抗差方法,在导航观测方程中采用高斯混合模型,对混合模型不确定度参数采用层次模型实时估计。借助指示变量进行模型变换,削弱导航过程中异常噪声的影响。并采用Rao-Blcakwellized粒子采样方法,求取复杂、非标准形式的状态后验分布。最后通过卫星导航以及组合导航实验算例,分析验证了基于高斯混合模型的Bayes滤波在动态导航定位中的抗差性能。

桥梁极值应力的改进高斯混合粒子滤波器动态预测

为合理地动态预测在役桥梁的极值应力信息,应用桥梁健康监测(BHM)系统的长期日常监测极值应力数据,建立非线性动态模型,引入扩展卡尔曼滤波器(EKF)与高斯混合粒子滤波器(GMPF)相结合的改进高斯混合粒子滤波器(IGMPF)预测算法,对监测极值应力的一步向前预测分布参数及其状态变量的后验分布参数进行预测分析,并进行了实例验证.IGMPF不仅可以得到实测极值应力状态的合理重要性函数,还可以解决传统预测方法的短期性和精度不高的问题,为实际BHM系统的动力响应预测提供了理论基础.

基于混合高斯模型和六帧差分的目标检测算法

鉴于传统混合高斯模型在光照突变、噪声干扰时鲁棒性不高,易造成检测错误等问题,提出了一种改进的视频运动目标检测算法。该算法将混合高斯模型与六帧差分算法相结合,构建了一种高效的运动目标轮廓模型,并嵌入背景替换法和动态阈值分割法提高算法的稳健性,通过连通性检测和形态学处理,得到完整的运动前景像素。不同场景的视频检测结果表明,改进算法有效克服了光照突变、噪声干扰、空洞及双影现象,与同类算法相比,具有更高的准确度和鲁棒性。

一种基于混合高斯模型的运动阴影去除算法

为更好消除光照条件下运动物体阴影,在混合高斯模型(GMM)识别前景目标基础上,提出一种基于RGB颜色模型的阴影消除方法。在RGB颜色空间中,首先用混合高斯模型获取带有阴影的运动前景像素,利用该模型参数,估计该像素点的阴影模型误差,然后建立RGB阴影模型;由于阴影像素点像素值符合阴影模型,将该阴影模型作为混合高斯阴影建模(GMSM)的匹配条件,最终确定当前像素点是否为阴影像素。实验表明,算法在不同场景中都能使阴影去除达到满意效果,同时满足常规视频序列的实时性要求。

基于改进混合高斯模型与阴影去除的目标检测

随着计算机视觉和摄像设备的日益普及,目标检测技术已经成为一个重要的研究领域;虽然提出了几种目标检测方法,但由于其适用性与局限性,并不能解决实际复杂场景中的各种挑战;针对传统混合高斯模型对动态背景、光照变化和阴影敏感等问题,提出一种混合高斯模型的改进算法,用于视频中目标检测;该方法首先通过传统混合高斯模型获取当前帧目标的粗略区域;通过将双级学习率和组合权重引入混合高斯模型,从而区分出运动区域与包含动态背景的背景区域;然后进一步利用基于颜色特性与空间连续性的方法去除阴影;最后通过形态学处理提取出准确的运动目标区域;对比实验表明,所提方法不仅能够有效去除动态背景,而且能够有效抑制阴影和光照变化的影响。

混合高斯自回归模型参数估计方法之ML-DC

混合高斯自回归模型可以对有色非高斯数据的概率密度和功率谱密度进行有效的拟合.而ML-DC算法则可解决这一模型的参数估计问题。描述了混合高斯自回归模型及其参数估计问题之后,分别导出了功率谱密度参数的最大似然估计和概率密度参数估计的动态簇算法,并由此组成了参数耦合估计的ML-DC算法。最后结合一组仿真实例对其估计性能进行了详细探讨,指出并解释了算法的适用范围。

改进的自适应高斯混合模型运动目标检测算法

传统的高斯混合模型学习率和分布数取值固定,不能精确地描述变换的背景,同时存在数据冗余等问题,针对这些不足,进行了以下三个方面的改进。在模型初始化阶段,针对不同的环境设定各异的初始分布数;根据环境变化快慢程度,动态调整学习率的取值;不断更新高斯分布,删除不满足要求的模型,创建新的分布。实验结果表明,改进的自适应高斯混合模型较传统高斯混合模型,显著提高了运动物体检测的准确性。

动态场景红外图像的压缩感知域高斯混合背景建模

针对动态场景下红外图像的背景模型构建问题,提出一种基于压缩感知(Compressed sensing,CS)域高斯混合模型(Gaussian mixture model,GMM)的背景建模方法.该方法不是对图像中的每个像素建立高斯混合模型,而是对图像局部区域的压缩感知测量值建立高斯混合模型.1)通过提取红外图像轮廓的角点特征,估计相邻帧图像间的相对运动参数以对图像进行校正与配准;2)将每帧图像网格化为适当数目的局部子图,利用序列图像构建每个局部子图的压缩感知域高斯混合背景模型;3)采用子空间学习训练稀疏字典,通过子空间追踪对可能含有目标的局部子图进行选择性稀疏重构;4)通过背景减除实现前景目标检测.以红外图像数据集CDnet2014和VIVID PETS2005进行实验验证,结果表明:该方法能建立有效的动态场景红外图像背景模型,对成像过程中所受到的场景动态变化、背景扰动等具有较强的鲁棒性,其召回率、精确率、F-measure等性能指标及处理速度较之于同类算法具有明显优势.

基于五帧帧差和混合高斯模型的运动目标检测

鉴于传统的帧差法检测准确率不高,而且在光照变化、噪声干扰时鲁棒性不高,容易造成检测错误等问题,提出了一种改进的视频序列运动目标检测算法.该算法是将混合高斯模型与改进的五帧差分算法相结合:首先改进五帧差分是将当前帧与前2帧、后2帧进行差分二值运算,然后将4个差分的结果轮廓填充,最后进行先"与"再"或"运算;通过将混合高斯建模后得到的运动目标与改进的五帧差分算法得到的运动目标,进行逻辑"与"操作,最后再通过形态学处理检测出运动目标.从实验结果证明,改进的算法既能适应光照的变化,又能有效克服空洞的现象,与同类的算法相比具有更高的鲁棒性和准确率.

基于块模型的混合高斯运动目标检测方法

对场景中运动目标进行实时检测,在公共安全、军事和航空航天等领域中具有非常重要的应用价值。在图像处理运动检测中,传统的混合高斯模型方法为每一个像素构建高斯模型,利用背景像素在较长时间内具有稳定的概率分布密度等统计信息分离背景区域,实现背景和运动目标的分离。该方法在实际使用中容易受到噪声干扰,且计算成本高。针对其不可避免的缺点,提出了一种基于信息度对图像进行分块的混合高斯模型算法。通过图像块中含有运动点的比例不同采用不同的混合高斯模型,对位于运动目标边缘的图像块采用单独的算法进行预处理,不仅能够降低背景区域、运动区域中噪声对背景模型的影响,同时能够以更高的计算效率实现运动目标的检测。实验结果表明,该算法在实际场景中具有良好的可行性和鲁棒性。

GPFR混合模型的动态模型选择算法

作为一种有效的数据建模和分析工具,高斯过程混合(MGP)模型被广泛地应用于时间序列的分析与预测,并成为一种新的机器学习模型。在传统的MGP模型中,高斯过程(GP)的均值被假设为零,这给其应用带来了很大的局限性,因此人们提出了可进行均值函数学习的高斯过程函数回归(GPFR)模型及其混合模型(MGPFR)进行更为精细的数据建模。与MGP模型一样,MGPFR模型同样存在着模型选择的问题。为了解决MGPFR模型的模型选择问题,本文将同步平衡准则进行了推广,并提出了相应的模型选择和动态模型选择算法,并通过实验发现了惩罚项系数的合理区间。实验表明,这些算法在模型选择和预测上均有很好表现,并且能够有效地应用于曲线聚类。

高斯光束通过生物体混浊介质模型的测量(英文)

将各向同性的混浊介质材料作为生物组织的光学模型 ,用 2mw单模He Ne高斯激光透过该混浊介质材料 ,测量透射率、偏振度及透射光强的分布 ,得到了偏振度 (v)与透射率 (T)的关系曲线。当透射率T <30 %时 ,偏振度v→ 0 .高斯激光束透过混浊介质材料 ,受散射影响 ,光强偏离高斯分布 ,并提出了透射光强分布公式。

基于SVD的改进混合高斯模型弱小运动目标检测算法

为了在提高弱小运动目标的检测准确度的同时满足实时性要求,提出了一种基于SVD的改进混合高斯模型弱小运动目标检测算法。针对普通混合高斯模型阈值选取没有针对性的问题,运用基于奇异值分解(SVD)的动态阈值调整更新方法,提高混合高斯模型对弱小运动目标检测准确度。实验结果表明,该算法能够准确、高效地检测特定弱小运动目标。

基于四帧帧差和混合高斯模型的运动目标检测

鉴于传统的帧差法检测准确率不高,容易造成检测错误等问题,提出了一种改进的视频序列运动目标检测算法.该算法将混合高斯模型与改进的四帧差分算法相结合:首先,改进的四帧差分是取连续的四帧——第1帧与第3帧、第2帧与第4帧分别进行差分二值运算,采用动态阈值以适应光线变化,将差分的结果轮廓填充,进行"与"运算;然后,将混合高斯建模后得到的运动目标与改进的四帧差分算法得到的运动目标,进行逻辑"与"运算;最后,通过形态学处理检测出运动目标.实验结果证明,改进的算法既能适应光照的变化,又能有效克服空洞的现象,与同类算法相比,具有更高的鲁棒性和准确率.

基于改进高斯混合粒子滤波新算法的桥梁极值应力动态预测

将极值应力数据视为时间序列,提出了桥梁结构极值应力的改进高斯混合粒子滤波(IGMPF)动态预测新方法。首先,利用桥梁健康监测极值应力数据建立动态非线性模型,将其作为粒子滤波算法的状态方程和监测方程;然后,引入最大期望(EM)算法来估计目标状态的概率分布,并嵌入高斯混合粒子滤波器中,进而利用改进高斯混合粒子滤波算法,结合应力监测数据实现结构极值应力的动态预测;最后,通过在役桥梁监测数据对本文模型和方法的合理性进行验证。结果表明:本文方法预测精度高,可用于工程实际应用中。

基于动态匹配模型的驾驶人嘴部行为识别与分级预警

鉴于嘴部行为能够反映出驾驶人不同的精神状态,本文中提出了一种基于机器视觉的嘴部行为识别与精神状态预警方法。首先采用改进的高斯混合模型进行光照自适应的唇色分割。然后在嘴唇区域内建立了基于灰度能量角点的嘴唇动态匹配模型,用于描述嘴部特征并提取动作参数。最终建立了嘴部行为的判别模式,实现了驾驶人精神状态的分级预警。实验结果表明,动态匹配模型具有较高的嘴部特征匹配精度和动作适应能力。算法能够有效检测"闭嘴"、"说话"和"打哈欠"行为,分心预警和疲劳预警的监测精度分别为85.8%和92.9%。

基于时空分布的混合高斯背景建模改进方法

针对传统的混合高斯模型对动态背景敏感、缓变目标检测不准确等问题,提出了一种基于时空分布的混合高斯建模改进方法。该方法的基本思想是混合高斯背景基于时间分布信息建模的同时,通过随机数生成方法对邻域进行采样,完成像素空间分布的背景建模;同时利用像素历史统计信息和决策融合机制的前景检测方法,实现对静止目标判定以及前景运动目标更精确的提取。最后,将此算法与其他前景检测方法进行对比实验,表明了该算法对动态背景鲁棒性强、缓变目标检测准确的结论。

基于动态运动原语和自适应控制的机器人技能学习

提出一种基于动态运动原语(DMP)和自适应控制的机器人技能学习方法.现有的DMP从单示教轨迹中学习动作,且其高斯基函数分布方式固定,并不适用于各种不同特征的动作轨迹.因此,将高斯混合模型和高斯混合回归引入DMP中,使其能从多示教轨迹中学习技能,并且将径向基神经网络(RBFNN)引入DMP中构成RBF-DMP方法,以梯度下降的方式学习高斯基中心位置和权重,提高技能学习的精度.设计自适应神经网络控制器,用于控制机械臂复现示教中学习的动作.在Franka Emika Panda协作机械臂上开展实验研究,验证方法的有效性.