混合高斯模型和帧间差分相融合的自适应背景模型

提出了运动目标检测中背景动态建模的一种方法。该方法是在Stauffer等人提出的自适应混合高斯背景模型基础上,为每个像素构建混合高斯背景模型,通过融入帧间差分把每帧中的图像区分为背景区域、背景显露区域和运动物体区域。相对于背景区域,背景显露区中的像素点将以大的更新率更新背景模型,使得长时间停滞物体由背景变成运动前景时,被遮挡的背景显露区被快速恢复。与Stauffer等人提出的方法不同的是,物体运动区不再构建新的高斯分布加入到混合高斯分布模型中,减弱了慢速运动物体对背景的影响。实验结果表明,在有诸多不确定性因素的序列视频中构建的背景有较好的自适应性,能迅速响应实际场景的变化。

改进的混合高斯算法

针对混合高斯模型的初始建模速度慢,检测出的运动目标含大量阴影和频繁闪动等问题,提出了一种融合背景减除法的改进混合高斯算法。该算法在初始建模时,自适应地更新均值和方差,能快速准确地建立背景模型;结合背景减除法,克服频繁闪动,抑制阴影。实验结果表明,该算法在初始建模、运动目标检测效果等方面优于混合高斯算法,具有较强的稳定性和适应性。

一种混合高斯背景模型下的像素分类运动目标检测方法

运动目标检测在智能视频监控、人机交互、目标导航等诸多领域有着广泛应用.背景减法是运动目标检测中应用较广泛的一种方法.在该方法中,背景建模和阈值化分割是最重要的步骤,直接决定了检测效果的好坏.当目标本身变化比较大时,若利用传统的基于全局阈值的分割法,分割效果并不理想.针对基于全局阈值分割差分图像存在的问题,本文提出了一种基于混合高斯背景模型的像素分类运动目标检测方法.该方法首先利用混合高斯模型对背景建模,克服了场景变化等因素带来的影响;其次,利用背景减法得到差分图像并对像素进行分类,最后对分类后的像素集分别进行阈值化分割,得到前景目标.实验结果表明,与传统的基于全局阈值的分割法相比,本文算法能够获得更好的检测效果和鲁棒性.

基于混合高斯模型的运动目标检测方法研究

为了能够及时检测到图像场景中的运动目标,提出一种基于混合高斯模型的运动目标检测方法。借助把图像的像素值看成是前景高斯分布和背景高斯分布的组合,进行了背景估计和自适应背景更新;通过对背景差分后的图像进行多目标分割,进行了多个运动目标的检测。实验发现:随着图像序列的背景不断变化,基于混合高斯模型算法能够准确估计出变化的背景,通过将场景图像和背景图像进行差分,检测到感兴趣的运动目标。

混合高斯模型和差分法相融合的运动目标检测

提出运动目标检测中背景动态建模和OTSU局部递归分割的一种方法,该方法在自适应混合高斯背景模型基础上,为每个像素构建混合高斯背景模型,通过帧间差分把每帧中的图像区分为背景区域和运动区域,背景区域中像素点将以特定的更新率更新背景模型,物体运动区不再构建新的高斯分布加入到混合高斯分布模型中.实验结果表明,在有诸多不确定性因素的序列视频中构建的背景有较好的自适应性,能迅速响应实际场景的变化.

基于混合高斯模型的运动目标检测算法

针对智能交通系统中运动目标检测阶段存在的不足,提出了一种基于自适应混合高斯模型(GMM)的改进算法。将隔帧差分的方法引入背景建模的初始判别阶段,从而迅速地检测出运动变化区域,提高了算法的灵敏度,同时也增强了对缓慢运行车辆的检测的适用性;将划分出的背景及运动区域赋予不同的更新率,使得背景显露区域得到迅速恢复,消去了运动车辆留下的"影子"。在此较为精确的背景模型下,结合灰度和canny边缘特征进行背景差分,有效地保留了与背景灰度相似的运动目标的轮廓。通过实验证明该检测算法取得了较好的效果。

一种自适应的基于混合高斯模型的运动目标检测算法(英文)

为提高运动目标检测的可靠性,提出了一种自适应的基于混合高斯模型的运动目标检测算法.该算法利用混合高斯分布对每个背景像素建模,高斯分布的个数不是固定不变的,而是随着像素值的混乱程度自适应变化.差分图像的像素按大小被分为2部分,然后对这2部分分别进行自适应阈值化分割,得到前景图像.利用基于形态学重构的阴影消除方法来改善前景图像分割的性能.不同实际场景的实验结果表明该算法能够快速准确地建立背景模型,且具有更强的鲁棒性.

基于改进的混合高斯模型背景减除算法

背景减除法常采用混合高斯模型作为背景模型来进行目标检测,它可以自适应学习并表示分布复杂的背景.混合高斯模型在光线变化缓慢的情况下表现很好,但是在光线快速变化的情况下,由于高斯背景无快速更新机制,无法应对光线迅速变化的情况.通过对混合高斯模型进行优化,提出了一种改进的混合高斯模型检测算法,并通过实验证明了新算法明显提高了运动目标检测的准确度.

改进的混合高斯模型及阴影消除方法

为了有效减少运动目标检测中混合高斯模型的计算量和提高阴影消除的准确性,提出了一种选择性地更新混合高斯模型和基于亮度变化消除阴影的方法。首先,在各个高斯分布进行更新之前,先将其权值与不属于背景的高斯分布的比重进行比较,若前者较大,则此高斯分布不更新,反之则更新;然后,在阴影消除时,将亮度的变化程度作为阴影检测阈值的一个因子,以使其随亮度变化自适应地做出调整。最后,将该方法与传统方法在室内外视频条件下进行了实验对比,结果表明该方法的计算时间约为传统方法的1/3,阴影消除更加准确。

一种改进的自适应高斯混合模型实时运动目标检测算法

高斯混合模型被广泛应用于摄像机静止条件下运动目标检测的背景建模。针对传统高斯混合模型中对光照变化适应性差及学习率单一等问题,提出了一种光照变化检测及学习率更新的方法,以达到自适应更新背景模型的目的。提出利用颜色直方图匹配算法,通过引入光照变化因子以及模型参数更新计数器对学习率进行自适应的调整,并通过对描述模型分量个数的自适应选择减少了计算时间,增强了系统的实时性。实验结果表明,该方法能快速有效地适应场景的变化,比传统高斯混合模型具有更好的鲁棒性与稳定性。

多模态背景下快速运动目标检测的研究

为了使运动目标检测算法能够适应场景复杂的情况,可采用高斯混合模型进行建模的方法,本文在此基础上提出了一种新的快速检测算法。该算法基于像素时域和空域相关性,利用这一性质可以减少高斯混合模型的个数,从而提高算法运行速度,经验证发现算法的精确度没有大的降低;同时给出了一种卡尔曼预测的更新算法,这既保证了稳定性又能快速建立背景模型。实验结果表明,该算法在不降低原来算法精确度的基础上,有效地提高了算法的速度。

一种改进的运动目标精确检测算法

针对传统混合高斯背景模型在多变场景下因背景模型更新不及时而存在的误检、漏检等不足,提出一种改进算法。该算法首先通过在高斯分布匹配过程中结合帧间差分获取的帧间未变化区域与变化区域判断像素点的区域类别,然后根据不同的像素区域类别执行不同的背景更新策略,使背景的更新及时准确地反映背景的变化。实验结果表明,该改进混合高斯背景模型算法能有效地解决因目标和背景相互转化而出现的拖尾、影子以及运动目标空洞等问题。