基于统计背景模型的运动目标检测方法

运动目标检测是计算机视觉、视频处理等应用领域的重要研究内容。其中减背景技术是一种常用方法。在减背景方法中，背景模型的提取、更新、背景扰动、外界光照条件变化、阴影检测等是必须要考虑的问题。提出了一种有效的运动目标检测方法，较好地解决了以上问题，首先利用统计的方法得到背景模型，并实时地对背景模型更新,以适应光线变化和场景本身的变化，用形态学方法和检测连通域面积进行后处理，消除噪声和背景扰动带来的影响，在HSV色度空间下检测阴影，得到准确的运动目标。实验结果表明，该方法是快速有效的。

浅谈我国数学竞赛题的统计学背景

随着21世纪的临近,各国教育界日益表现出对更新中学数学内容的重视,其中一个引人注目的动向便是在中学数学教学中增加较多的统计学知识,我国亦是如此。众所周知,“数据”是自然界和人类生产过程各种信息的反映,通过收集和分析数据去了解自然规律和生产规律,是人类正确而有效地进行社会和经济活动的需要.因此。

一种采用背景统计技术的视频对象分割算法

利用背景统计技术从累积的帧差信息中构建出完整、可靠的背景区域,并将其与当前帧相比较,得到初始对象分割掩膜;再对之进行后处理,以消除噪声影响和平滑对象边界,从而获得较好的对象分割掩膜,并提取出视频对象。该算法不需要预知运动对象的形状、数目等,就能较好地从静止背景中分离出目标,实验证明,它具有一定的实用性和鲁棒性。

基于背景统计的ROI提取方法

针对基于视觉特征的ROI提取算法的不足和图像噪声的影响,借鉴图像分块的思想,提出了一种基于背景像素点统计模型进行ROI提取的算法。该算法基于图像分块,消除了噪声作为显著视觉特征时对ROI提取的影响。将该算法运用于室内监控图像中的ROI提取实验。结果表明,所提算法能实现多种情况下感兴趣区域的自动准确提取。

交通场景中基于彩色视觉信息统计的背景建模

研究分析目前主流的背景建模方法,并针对动态交通场景中车辆目标持续运动,背景出现的概率较大的特点,提出一种基于彩色视觉信息统计的背景建模算法。实验结果表明,该算法可以较好地提取背景,并有效区分前景和背景。

统计差分与自启动的Camshift跟踪算法

传统的CamShift算法具有很好的实时性,但无法实现自启动,且在跟踪过程中易受噪声和颜色变化的干扰,针对这些缺点,提出了一种改进的Camshift算法.首先运用统计差分算法对移动目标快速定位,得到初始前景对象的区域,然后通过统计前景区域获取精确的目标颜色直方图模型并以此区域为原型计算肤色直方图的查询表.同时结合一些后续步骤成功实现了算法的自启动.最后用实验验证了借助统计差分与目标颜色直方图模型的CamShift算法能够实现自启动并提高Camshift算法跟踪时的准确度.

复杂非均匀背景下的鲁棒声呐恒虚警检测算法

针对复杂非均匀水下环境中目标检测问题,提出了一种基于背景统计特性的鲁棒声呐恒虚警(Background Statistical Characteristics based Robust Sonar Target Constant False Alarm Ratio,BSCR-CFAR)检测算法。该算法将自动删除平均级检测(Automatic Censored Mean Level Detection,ACMLD)和排序统计恒虚警(Order Statistic CFAR,OS-CFAR)检测算法引入可变指数恒虚警(Variability Index CFAR,VI-CFAR)检测算法中,并通过评估背景特性,自适应选择更匹配的CFAR检测方法。仿真和声呐实测数据分析结果表明,相比较单元平均恒虚警(Cell Average CFAR,CA-CFAR)、单元平均选大恒虚警(Greatest of CFAR,GO-CFAR)、单元平均选小恒虚警(Smallest of CFAR,SO-CFAR)和OS-CFAR、VI-CFAR等检测算法,该算法在混响边缘、混响区、单/多强离散干扰等典型非均匀背景下的恒虚警检测保持了良好的鲁棒性。

基于矢量水听器的浅海背景噪声分析方法研究

本文在研究浅海背景噪声场矢量理论的基础上,通过对比不同季节、不同海洋气象环境下获取的长期观测数据,提取海洋背景噪声矢量特征,结合典型声压与振速频谱分析方法以及声压与振速比值谱分析方法总结不同季节、不同海洋气象环境下的规律,并对风生海洋背景噪声谱特征进行了统计建模.

基于单高斯模型的森林火灾烟图像目标检测

单高斯模型森林火灾烟图像目标检测方法是根据烟目标内部灰度分布不均匀,且形状和面积会随着时间不停变化等特点,首先,通过火灾烟的动态数据累积图像得到烟目标出现的大致区域,再通过构造单高斯背景统计模型,对目标区域内部进行逐帧分割,最后,统计烟目标面积的变化趋势。经过对森林火灾烟序列图像进行实验和分析,结果表明这种方法对早期火灾产生的烟能够实时检测和识别,并有效提高了火灾烟图像检测的可靠性。

迭代分析相对密度的高光谱异常检测

目的针对复杂高光谱数据在不同地物规模和光谱特征上的差异,致使背景特征难以准确描述,导致异常检测算法检测效果不理想的问题,提出一种基于相对密度分析建立背景模型的高光谱遥感异常检测算法。方法该算法借助最大相对密度分析的思想,通过统计与待测像元相似像元的数目作为其相对相似性分布密度,在像元光谱特征相似性分布密度的驱动下,自动搜索聚类中心并实现自适应聚类。为了避免不同背景地物受类别规模差异的影响,设计迭代筛选方法不断提取具有相对最大分布密度的类作为背景地物类别。当迭代终止时即可获得关于背景地物的统计模型,最后采用经典的马氏距离实现异常检测。结果仿真实验采用两组常用的数据HyMap和HYDICE,与经典算法如基于聚类分析的异常检测算法(CBAD)、局部RX算法(LRX)和基于空间边缘特征变化的异常检测算法(2DCAD)等进行比较,并采用受试者工作特性曲线(ROC)和ROC曲线下面积(AUC)作为评价标准对实验结果进行分析。从实验数据中可以看到,本文算法在ROC曲线整体上表现优于其他算法,在HyMap下AUC值比同类算法至少高出5.6%,HYDICE下AUC值比同类算法至少高出13.6%。另外,对于不同数据,本文算法最终表现较为稳定,鲁棒性较好。结论实验结果表明该算法无需构建分类面以及设定类别数目,在每次迭代中根据数据本身特征自适应地获取当前规模下背景显著性强的像元。另外,本文建立背景模型的方法适用于不同复杂场景下的高光谱数据,可以获得对背景的准确描述,有助于改善高光谱数据异常检测中对异常目标显著性衡量的准确性。