机动目标自适应高斯模型与跟踪算法

提出了一种描述机动目标运动状态的自适应高斯模型 ,在这种模型中 ,机动目标的加速度被认为是具有非零均值、时间相关的随机过程 ,并假定其概率密度函数服从高斯分布。指出了机动目标运动模型的均值和方差与目标机动加速度最佳当前估计值之间的关系 ,在此基础上 ,提出了相应的自适应卡尔曼滤波算法。仿真结果表明 ,该算法对机动目标在不同机动方式下的位置、速度和加速度均有良好的跟踪效果 。

自适应高斯模型与多基地雷达机动目标跟踪

为改善多基地雷达系统对高机动目标的跟踪性能,提出了基于自适应高斯模型和扩展卡尔曼滤波(EKF)的机动目标跟踪算法。将目标加速度的概率密度特性描述为一具有均值和方差的高斯分布,建立了系统的离散状态方程和非线性观测方程进行EKF滤波,并在每个采样周期实现对输入控制信号及过程噪声协方差的更新,使加速度符合目标的实际变化情况。MonteCarlo仿真结果显示,对目标的变加速轨迹,该算法在位置和加速度上的均方根误差均比Singer模型小,且误差曲线平滑,表明了该算法能对机动目标实现准确跟踪。

HSV自适应混合高斯模型的运动目标检测

在目前的计算机视觉应用中,从视频序列中提取出运动目标是一个研究热点。针对传统方法在复杂多变环境下不能很好地检测出运动目标且运算量较大的问题,根据HSV颜色空间的特点,提出了一种基于HSV颜色空间的自适应混合高斯背景建模和阴影消除的方法。首先,在传统的混合高斯背景建模的基础上,引入了一种新的混合高斯模型高斯成分个数的自适应选择策略以提高建模的效率。其次,根据阴影在HSV向量空间的特点,融入了一种新的阴影消除方法,以检测出带阴影的运动目标。该方法能够快速准确地建立背景模型,准确分割前景目标。与传统的阴影消除方法相比,该方法可以在不需要设置阈值的情况下,对运动目标的阴影进行很好的消除,有很好的鲁棒性和实用性。

自适应高斯混合模型球场检测算法及其在体育视频分析中的应用

球场检测在体育视频内容分析中有着重要作用.为了克服由于不同光照、不同相机、不同拍摄角度造成球场颜色的非均一性问题,提出了一种基于自适应高斯混合模型(adaptiveGaussianmixturemodel,GMM)的球场检测算法.该算法首先从视频中任意抽取一些图像,并自动分析这些图像的主要颜色,从中找到主颜色的近似分布,然后,利用GMM拟合主要颜色分布.为提高模型的适应能力,在球场检测过程中,利用当前GMM球场检测结果和增量期望最大(incrementalexpectationmaximum,IEM)算法不断更新模型参数,从而得到更加准确的参数估计,并用于后续图像中球场和非球场像素进行分类.最后,根据球场区域在图像中的分布,对足球比赛场景进行分类.实验证明,提出的算法具有良好的性能.

基于自适应混合高斯模型的火焰识别方法

为了提高早期火灾的识别准确性和快速性,基于对火焰动态特性、面积变化率等特征的分析,设计火焰识别系统。系统采用RGB模型、HSI模型对火焰图像进行分割预处理,经过二维中值滤波、形态学分析实现对真实火焰的识别,应用自适应混合高斯背景模型差值处理滤除静态火焰的干扰。实验表明,该方法可以高效的识别出动态火焰,滤除静态火焰和伪火焰,在复杂背景下仍具有好的抗干扰能力和识别效率。

基于小波域自适应高斯混合模型的图像去噪方法

提出了一种基于小波系数局部统计模型的图像去噪方法。该方法利用小波子带的方向性特点以及小波系数尺度内的相关性,将小波系数的概率分布建模为一种自适应高斯混合模型,在贝叶斯框架中采用这种概率模型可以得到一种具有空间自适应性的贝叶斯萎缩函数。利用这种萎缩函数可以实现对小波系数的修正。实验结果表明,利用该方法进行图像去噪能够取得良好的效果,同时可以有效地保留图像的细节。

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。

改进自适应混合高斯模型和帧间差分的运动目标检测

针对传统混合高斯模型进行运动目标检测易受环境噪声或光照变化干扰,检测结果存在空洞、边缘缺失等问题,提出一种改进自适应混合高斯模型和帧间差分的运动目标检测算法。在混合高斯模型建立之初,采用较大的学习率快速消除背景干扰信息,当模型趋于稳定后,根据目标运动状态不断调整学习率,实现自适应修正背景模型。同时引入光照变化因子调整模型更新率,有效克服光照变化的影响。为提高目标边缘连续性,采用基于图像相似度的四帧差分法并结合边缘检测算法快速提取目标轮廓信息填补目标边缘。通过形态学处理消除目标空洞及残余噪点,获得完整的运动目标。结果表明:该方法目标检测准确率达到95.2%,在保证实时性的同时对复杂场景具有较好的适应能力,鲁棒性强。

自适应高斯混合模型语音增强方法

语音增强是解决噪声污染的有效方法,它的首要目标是在接收端尽可能从带噪语音中恢复纯净的语音信号.针对噪声环境下的语音增强问题,提出了一种语音增强新方法.该方法利用小波子带的方向性特点以及小波系数尺度内的相关性,将小波系数的概率分布建模为一种自适应高斯混合模型,在贝叶斯框架中采用这种概率模型可以得到一种具有空间自适应性的贝叶斯萎缩函数.利用这种萎缩函数可以实现对小波系数的修正.仿真实验表明,该算法对于噪声有较好的抑制作用,该算法在主观和客观测试中都具有良好的语音增强效果,可以在语音识别、语音编码中获得应用.

面部像素的自适应高斯肤色检测模型

针对当前的人体肤色提取方法在复杂背景下精度不够的问题,本文提出了一种基于人体面部像素的自适应肤色的分割方法,针对每一幅人物图片自动生成其自适应的肤色分割阈值,并利用自适应更新出的肤色分割阈值来提高肤色检测的精度。相比于以前的只利用高斯模型经验值分割出的肤色区域的方法,有效减少了复杂环境下对肤色区域筛选的条件限制,通过改进后的提取方法与原高斯模型的提取方法在人物图片肤色提取精度上的对比,利用100张图片的实验结果进行观察分析。实验结果表明,该方法肤色区域检测精度平均提高2%左右。

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。

基于自适应高斯混合模型的JPEG压缩图像去块效应算法

基于分块离散余弦变换的JPEG图像压缩算法,在低码率时解码图像会产生明显的块效应,严重降低了图像质量。针对JPEG压缩图像产生的块效应,提出了一种利用高斯混合模型自适应学习图像先验的去块效应算法。该算法利用初始去块效应图像将外部图像库训练得到的高斯混合模型映射到针对特定图像的高斯混合模型,得到自适应的高斯混合模型,然后结合加权的稀疏表示方法,利用训练得到的自适应高斯混合模型用于图像去块效应。实验结果表明,提出的去块效应算法能较好地去除块效应,且优于一些图像去块效应和图像去噪算法。

噪声环境下基于自适应高斯混合模型的说话人识别

本文提出运用具有自适应拟合特点的高斯混合模型算法以提升系统在噪声环境下的识别性能.通过实验,结果显示在噪声环境下本文运用的自适应高斯混合模型算法可以提高系统的识别率.

基于自适应高斯概率的阴影检测

提出一种基于自适应高斯概率的运动阴影检测方法．用高斯模型对阴影建模，并利用场景中的典型阴影区域初始化均值和方差．计算背景减除得到的前景点的阴影似度概率作为是否阴影的判据，被判为阴影点的像素将作为均值和方差的学习样本用来调整和更新参数以适应场景的动态变化．实验结果表明本文算法具有较高的阴影检测率和较低的误检率．

基于自适应GMM杂波估计的改进MHT算法

在传统多假设跟踪(MHT)算法中通常会假设杂波强度先验已知,当观测场景中杂波未知且空变时,该假设将会导致跟踪算法性能急剧下降。针对这一问题,本文提出一种基于自适应高斯混合模型(GMM)在线估计未知杂波的改进MHT算法。首先利用自适应GMM拟合未知杂波空间分布,并自适应地估计出波门内的杂波强度;然后将其应用于MHT处理中,有效改善航迹得分计算和最优假设航迹估计的准确性,进而实现在杂波未知场景中的稳定跟踪。仿真结果表明,在未知杂波观测场景中,所提算法相比传统MHT算法和MHT-GMM算法获得了更好的数据关联准确性和航迹维持性能。

基于混合高斯模型的运动目标检测算法

针对摄像机在静止条件下的自适应运动目标检测,提出一种改进的运动目标检测算法。首先,针对高斯混合背景建模初期背景建模效果不理想的问题,利用统计的方法得到背景模型,根据背景图像建立高斯混合模型;在模型学习方面,为均值与方差设置了不同的学习率。针对传统的LBP算子的缺陷,提出了一种改进的纹理特征算子,将其与HSV颜色空间去阴影的方法相结合,从而实现对阴影的检测与去除,利用随机Hough算子对圆的检测原理,在运动目标检测的基础之上,实现对人头的边缘检测。实验结果表明:该算法可以很好地检测出运动目标,并能够有效去除运动目标包含的阴影区域,从而实现人头区域的检测。

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。

自适应GMM聚类的SVM话者确认

支持向量机作为说话人建模方法用于与文本无关的话者确认研究时,如何提取适合SVM训练和测试的特征参数直接影响话者确认系统的性能和效率.根据高斯混合模型(GMM)聚类能力强的特点,提出一种基于自适应GMM聚类的说话人特征参数提取方法,通过自适应的GMM聚类将大样本、混叠严重的M FCC特征参数聚为小样本的、代表说话人个性特征的特征参数,并用于与文本无关的SVM话者确认.在N IST0′4 1side-1side数据库上的实验表明了该方法的有效性.

自适应高斯混合模型及说话人识别应用

高斯混合模型采用固定混合数结构的建模方法并不符合说话人语音特征分布的多样性,从而出现过拟合或者欠拟合的情况并影响系统的识别性能。提出一种混合数可变的自适应高斯混合模型并将其应用于说话人识别。模型训练中根据说话人语音特征参数分布的聚类特性,采用吸收合并与分裂机制动态调整混合数以获得更加精确的拟合性能,提高系统识别率。实验结果显示,在特征参数MFCC和BFCC(Bilinear Frequency Cepstrum Coefficients)下相对误识率分别下降了41.41%和22.21%。

球坐标系中水下目标跟踪的研究

研究了球坐标系中的目标跟踪,提出了一种基于球坐标系的水下目标运动模型,指出了机动目标运动模型中均值和方差的取值,在此基础上,导出了基于球坐标系的自适应卡尔曼滤波跟踪算法,给出了Monte Carlo仿真实验的结果。结果表明:在球坐标系中,该模型对水下目标的径向距离、方位角、俯仰角及其速度和加速度具有良好的跟踪性能,无须进行目标的机动检测,跟踪算法所需计算量小。