动态场景中的改进混合高斯背景模型

提出一种应用于运动目标检测的改进混合高斯背景模型。在背景模型更新过程中,通过调整阈值,降低单模态背景的误检率。在运动目标检测时,融合统计差分法和时域差分法,降低多模态背景像素的误检率。实验结果表明,改进模型能有效解决由复杂动态背景引起的误检问题,具有较好的检测性能。

混合高斯背景模型目标检测的一种改进算法

针对当前混合高斯背景模型运动目标检测中的更新率小、自适应学习率取值范围过窄、帧间差分引入噪声及背景模型更新没有选择性等缺点,提出了一种混合高斯背景模型运动目标检测的改进算法。在传统混合高斯的基础上,对更新率和方差值进行改进,以适应外界环境的变化;根据像素的连通区域,在线更新学习率和去除噪声;通过引用改进的三帧差分法,实现了对背景模型的选择性更新,减少减弱帧间差分引入噪声以及缓慢运动目标对背景的影响;利用色度信息消除阴影,得到较为精确的运动目标。实验结果表明,改进算法效果良好。

自适应混合高斯背景模型的改进

对自适应混合高斯背景模型进行了改进,将背景重构和前景消融时间控制机制整合到传统自适应混合高斯背景模型中,以提高运动分割的质量。背景重构算法从含有运动物体的动态场景视频序列中重构静态背景图像,然后用重构的静态背景图像初始化自适应混合高斯背景模型;而前景消融时间控制机制则使运动物体停止时的前景消融时间独立于背景模型的学习速率,从而可以根据需要调节前景消融的持续时间。实验结果表明了算法的有效性。

基于混合高斯背景建模的交通视频运动目标检测

目前最常用也最有效的运动目标检测方法是背景减除法,其中背景提取是背景减除法的核心.传统的运动目标检测方法无法解决场景的光线突变、背景图像发生变化以及前景运动目标物体的阴影干扰等问题.针对交通视频中背景模型的实际情况,采用混合高斯分布对视频背景进行建模,将前一帧视频图像与所建立的当前背景图像进行相减,得到车辆在当前时刻的运动图像,并将所得图像进行形态学去噪处理.通过相关的仿真实验,证明了该方法能够比较准确地检测出前景运动车辆目标.

基于混合高斯背景模型的SF6泄漏自动检测

为了能够针对可能发生的SF6泄漏情况,进行连续及时的无人监测,基于红外辐射成像技术提出一种自动检漏方法。利用SF6泄漏在红外视频中类似烟雾的动态特性,采用混合高斯背景建模的方法进行SF6气体的泄漏检测,并基于数学形态学方法去除斑点等噪声,完成对泄漏区域的自动标记定位。通过对多个红外气体成像检漏仪采集到的SF6视频进行泄漏检测,实验结果表明,该方法能克服光线变化等背景扰动影响,实现泄漏点的检测和定位。

基于FPGA的混合高斯背景建模实现

为了解决PC机上高清视频运动目标检测的实时性瓶颈问题,设计了一种基于FPGA的运动目标检测系统。系统采用基于自适应混合高斯背景模型的背景差分法,对环境扰动具有很好的适应性。本设计应用于1 280×1 024高清视频的运动目标检测,针对硬件实现的特点,对OpenCV混合高斯背景模型算法进行改进和适当的参数定点化,设计了适合FPGA实现的结构,在Altera Stratix IV开发平台上成功实现了高清视频的背景建模和目标检测,试验表明效果良好,满足实时检测的要求。

基于混合高斯背景模型的运动目标检测

运动目标检测是计算机视觉、图像理解、目标跟踪等领域非常重要的研究内容。为了能够及时检测到图像场景中的运动目标,本文选择建立混合高斯背景模型作为检测运动目标的方法,该方法能有效的提取出运动的目标及其携带的运动信息,取得比较好的效果。

高斯混合背景模型的适应能力研究

高斯混合背景模型是一种参数化统计模型,观察时间窗内像素样本模式呈现规律决定了背景模型的学习结果。针对背景动态变化的特点,研究了影响背景模型适应能力的模态稳定性与可塑性、模态残留与激活问题。仿真实验表明高斯混合背景模型具有较强的渐变选择性适应能力,而模态残留与激活机制为模型提供了有限的背景结构短时变化适应能力。

关于自适应高斯混合背景模型的更新算法的研究

采用自适应高斯混合方法为背景建模的难点是对背景模型的维持与更新。目前,背景模型的更新算法很多,但算法中各参数的取值通常是依据经验而定。本文对背景信号进行了分析,根据背景信号的特点,给出了背景更新算法中各参数值的选取方案,并提出了一种新的背景模型更新算法。

嵌入自联想神经网络的高斯混合背景模型说话人确认

提出在高斯混合背景模型中嵌入自联想神经网络的方法,并将它用于说话人确认.该方法利用神经网络和高斯混合背景模型各自的优点,以极大似然概率为训练准则,将两者作为一个整体进行训练,揭示了特征向量的空间信息.嵌入的神经网络起到了数据整形的作用,增强了目标说话人数据的相似性.在背景模型和目标模型的训练中交替更新高斯混合模型和神经网络的参数.实验表明,采用本文提出的模型并结合TNorm方法,比基线系统的确认率提高26%.

嵌入时延网络的高斯混合背景模型说话人确认

本文提出了一种嵌入时延神经网络(TDNN)的高斯混合背景模型(GMM-UBM)说话人确认方法,它集成了作为判别性方法的时延神经网络和作为生成性方法的高斯混合模型各自的优点。该方法利用时延神经网络挖掘特征向量集的时序性,然后把时间信息传递给GMM;并且通过时延网络的变换使需要假设变量独立的最大似然概率(ML)方法更为合理。该方法利用极大似然概率作为训练准则,把高斯混合模型和神经网络作为整体来进行训练。训练过程中,高斯混合模型和神经网络的参数交替更新。实验结果表明,采用本文提出的方法结合TNorm比基线系统的等误差率(EER)降低28%。

基于混合高斯模型与三帧差分的目标检测算法

针对传统目标检测方法中光照变化、复杂背景、阴影等难点,提出了一种结合三帧差分法和混合高斯背景建模的算法,既能很好地适应场景中的光照渐变和背景扰动,又能克服普通帧差法中检测目标不准确,容易产生孔洞及双影现象的问题。同时,采用了一种简易的阴影抑制算法和形态学滤波处理,有效地去除了阴影以及噪声。实验结果表明,该算法易于实现,具有较好地实时性和鲁棒性,能精确地检测出运动目标。

自适应高斯混合背景建模算法的改进

采用自适应高斯混合方法为背景建模的难点是对背景模型的维持与更新。目前,背景模型的更新算法很多,但算法中各参数的取值通常是依据经验而定。本文给出了背景更新算法中各参数值的选取方案,并引入消融时间控制机制,提出了一种新的背景模型更新算法。

基于改进的混合高斯模型的运动目标检测

提出了一种改进的混合高斯背景模型方法,克服了传统混合高斯背景建模方法计算时间长的缺点。通过对视频图像中运动目标区域进行背景建模,减小了每一帧的背景建模区域,同时在提取运动目标区域前先对初提取的前景目标进行中值滤波,减小运动目标区域的范围,进一步压缩了背景建模的时间。最后通过与时间平均背景建模和传统混合高斯背景建模方法进行比较,验证了本文算法的高效性。

基于高斯混合背景模型的运动目标检测技术研究

在运动目标检测技术中,使用传统的高斯混合背景模型所得到的检测结果并不能完美地获取运动目标的轮廓信息,而图像中像素的梯度信息,刚好就是反映了各物体的轮廓和边界,并且相对于颜色信息而言,梯度信息对于噪声并不敏感。为此,该文对传统的高斯混合背景模型进行了改进,提出基于梯度时空信息的高斯混合背景模型,证明了改进的算法确实能够取得更好的运动目标的检测结果。

基于高斯混合模型的海面运动目标检测

提出了一种基于变化检测的高斯混合模型参数估计方法,建立了象素点背景模型并用于海面运动目标的检测。在实验部分,将该方法估计的高斯混合背景模型的参数与基于迭代的EM算法估计的模型参数做比较,模拟实验的结果表明两者估计的参数值相差不大,而在对视频流中的象素点灰度值分布的逼近中,该文的方法比EM算法更接近真实的分布,并且在一定程度上减少了建立背景模型的所需的内存和计算时间。运动目标检测的结果表明,使用该方法建立的背景模型可以比较准确地检测到海面上的运动船只。

基于帧差法和混合高斯的海上运动目标检测

海上运动目标检测是视频信息处理的重要研究内容之一。由于海上场景的复杂性,传统的高斯混合背景模型存在一定的不足。因此论文提出了一种三帧差分法和改进的混合高斯背景模型相结合的运动目标检测算法。首先,用三帧差分法检测出变化的区域;然后,根据相邻像素间的相关性,把每帧图像划分为背景区域、干扰区域和目标区域,对不同的区域采取不同的更新策略,从而实现模型的自适应学习。实验表明,该方法可以有效地抑制海上波纹对运动目标检测的影响,并具有较好的灵敏度、自适应性和良好的检测效果。

基于自适应混合高斯模型的前景目标检测

在计算机视觉研究中,从视频序列中提取出前景目标是关键步骤之一。而混合高斯背景模型是前景目标检测的一种常用算法。针对传统混合高斯建模过程中分别对每个像素建立固定个数的高斯模型和相同的学习率这一缺陷,本文先对视频帧进行了分块处理,然后自适应的对每个像素块采取不同的高斯分布个数和学习率,并且在建模过程的不同时间段采用不同的学习率,最后对检测结果在空域上进行数学形态学的处理。实验结果表明,与传统检测方法相比,该方法能够更加准确和快速地检测出前景目标。

高斯混合算法在交通流视频中的应用

交通流视频处理是智能交通发展的重要方向,而高斯混合背景建模是背景建模领域常用的构建算法,在图像处理领域中有着广泛的应用。为了能够较为全面的分析该算法,本文对该算法进行了公式演算以及针对多个交通流量视频进行检测比较,其中提出了基于K-means、EM模型参数求解。公式演算部分能够清晰的得出该算法的数学意义和演变过程,为实际应用提供理论指导;交通流量视频处理过程可以得到该算法针对不同情况视频的效果,可分析高斯混合背景建模针对时间的迁移、光线的变化、运动物体阴影的处理能力。本文从理论及实际应用两个方面对高斯混合背景建模算法进行浅析。

基于改进混合高斯模型的自适应运动车辆检测算法

道路视频监控中经常存在车辆缓慢运动或短暂停留的情况。针对传统混合高斯模型背景减除法对环境突变敏感和对缓慢运动目标丢失信息的问题,提出一种改进的自适应车辆检测方法。首先,在参数更新前对像素值分类并根据分类结果设置模型更新率,抑制缓慢运动前景被训练成背景;引入一个跟踪环境变化的度量因子,当环境突变时实现背景减除和帧差法的自适应切换,滤除环境变化的干扰;最后通过生态学滤波得到准确的运动目标。实验表明,该算法对白天实时路况视频中的运动车辆具有较好的检测效果。