基于夜间环境下的改进的AMBER背景减除算法

提出的改进算法在AMBER背景减除算法的基础上,将LBSP纹理特征引入模型,并依据空间一致性提出了"一点调整多点联动"的动态阈值调整机制。实验结果表明,提出的改进算法在changedetection.net数据库中night Videos子条目下的检测结果较原算法的精确性有了较大的提高。

动态背景下自适应LOBSTER算法的前景检测

目的前景检测是视频监控领域的研究重点之一。LOBSTER(local binary similarity segmenter)算法把Vi Be(visual background extractor)算法和LBSP(local binary similarity patterns)特征结合起来,在一般场景下取的了优良的检测性能,但是LOBSTER算法在动态背景下适应性差、检测噪声多。针对上述问题,提出一种改进的LOBSTER算法。方法在模型初始化阶段,计算各像素的LBSP特征值,并分别把像素的灰度值和LBSP特征值添加到各像素的颜色背景模型与LBSP背景模型中,增强了背景模型的描述能力;在像素分类阶段,根据背景复杂度自适应调整每个像素在颜色背景模型和LBSP背景模型中的分类阈值,降低了前景中的噪声;在模型更新阶段,根据背景复杂度自适应调整每个像素背景模型的更新策略,提高背景模型对动态背景的适应能力。结果本文算法与Vi Be算法和LOBSTER算法进行了对比实验,本文算法的前景图像比Vi Be算法和LOBSTER算法的噪声点大幅较低,本文算法的PCC指标在不同视频库中比Vi Be算法提高0.736%7.56%,比LOBSTER算法提高0.77%12.47%,FPR指标不到Vi Be算法和LOBSTER算法的1%。结论实验仿真结果表明,在动态背景的场景下,本文算法比Vi Be算法和LOBSTER算法检测到的噪声少,具有较高的准确率和鲁棒性。