基于颜色和局部二值相似模式的背景减除

针对视觉背景提取(Visual Background Extractor,ViBe)算法对光照变化和动态背景适应性差、鬼影消除时间长的缺点,提出了一种改进的ViBe算法。该算法使用颜色特征与局部二值相似模式(Local Binary Similarity Pattern,LBSP)特征进行背景建模,增加了对光照变化的鲁棒性。在模型更新阶段,引入二次空间传播机制,以加快消除鬼影的速度。根据当前像素与空间邻域像素的标准差获得自适应判决阈值,以较快的时间响应速度抑制动态背景的干扰。在Change Detection dataset数据集上的实验结果表明,改进后的算法能较快地抑制鬼影,同时能保证慢速和静止目标不会很快地融入背景,对复杂动态场景和光照变化有较好的适应性,其F-measure指标较ViBe算法提升了19.29%。

运动模型学习结合局部二值相似模式的间歇性测量目标跟踪方法

针对摄像机的有限视野导致测量可能只是间歇性可用的问题,提出了一种运动模型学习结合局部二值相似模式的间歇性测量目标跟踪方法。首先,开发了一种新型估计器和预测器,实现同时学习运动模型;其次,利用局部二值相似模式编码判断每个像素点属于背景还是运动目标,从而实现像素级别的运动目标检测;然后,从运动的摄像机来估计运动目标的位姿,提供稳定性分析以证明位姿估计和函数近似的收敛,而不需要限制性持续激励条件。最后,实验结果证明了所提方法可以有效地追踪多个目标状态的可行性并且对估计器增益不敏感。