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。

基于单高斯背景模型运动目标检测方法的改进

针对背景减除法应用于运动目标检测中的背景模型更新和阴影消除问题,提出了一种改进的单高斯背景模型估计算法和快速的阴影消除方法。实验结果表明,算法在有效去除阴影的同时能够较好地提取运动目标,为后续的人体识别、行为分析等工作奠定了良好的基础。

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。

基于高斯背景模型的车辆检测改进算法

针对车辆检测中实时性、准确性以及自适应性很难兼顾的问题,提出了一种快速有效的车辆检测算法。该算法采用阈值判定背景区域和更新区域,根据背景变化的程度,利用动态权值更新学习率,使用基于单高斯背景模型方法,结合逻辑"或"运算检测出车辆。实验结果表明,该算法能够快速准确地检测出车辆,并且在背景更新过程中实现了自适应,并具有一定的鲁棒性。

工业环境中运动目标检测的模糊自适应高斯背景模型方法

根据工业环境中成像环境差、图像模糊的特点,提出了一种对运动目标检测的模糊自适应高斯背景模型。首先建立3种主要背景状态下的模糊高斯背景模型;为了减少在线检测过程中的运算量,选择背景图像中一些独立、相对静止区域代替背景图像;最后用模糊识别的方法选择出合适的高斯背景模型。该算法不仅能够自适应环境的变化对背景图像的影响,而且满足实际生产过程中在线检测的要求。

基于高斯背景模型的视频车辆跟踪方法

在视频智能交通系统中,获取车辆运动轨迹是至关重要的一步。本文介绍一种以在线EM算法进行参数迭代从而建立背景高斯模型为理论的前景运动物体分割的方法,以及在图像特定区域使用动态模板匹配来进行车辆轨迹获取的方法。实验结果表明,该方法可有效的抑制环境噪声,并具有鲁棒性和准确率高等优点。

基于单高斯背景模型和双差分融合的运动目标检测算法

提出了一种新的运动目标检测算法,实现了只对帧图中感兴趣的运动目标区域进行背景匹配更新,能够较精确地检测出运动目标。该算法首先提出了双差分模型确定运动目标最大分布的可能区域,然后融合单高斯背景模型对此区域进行背景重建,再运用背景差分得到精确前景目标。仿真试验结果表明,该方法降低了运算的复杂程度,提高了检测精度,具有很好的鲁棒性。

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。

基于改进的单高斯背景模型检测算法的研究

针对传统单高斯背景模型(SGM)检测中背景模型不能很好地自适应背景变化等问题,提出了一种改进的单高斯背景模型检测的方法。该方法取前N帧做均值建立初始背景模型,然后利用三帧差法计算得出背景作为本文需要处理的背景区域。同时,对帧差法获得的背景区域分区,划分出大面积静止区域、历史变化区域及该变化区域的历史轨迹区域。赋予大面积静止区和历史变化区固定更新率,同时历史变化区域的历史轨迹区域按照时间分布,给予线性衰减的更新率,在此基础上进行背景模型参数的更新,最终通过背景差分法得出运动的目标。实验表明,改进的算法背景模型的自适应性有了很大地提高,基于单高斯背景模型运动目标的检测也变得更加准确。

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。

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。