基于SuBSENSE的内河船舶检测波纹干扰抑制算法

SuBSENSE是一种融合颜色特征和纹理特征的通用运动目标检测算法,同时算法中的参数自适应反馈机制使得背景模型能够良好地适应内河环境的多样性,在多种检测环境下达到参数最优化设置。针对一般运动目标检测算法用于内河船舶检测时,难以克服水波纹干扰这一问题,提出将SuBSENSE与基于全局对比度的显著性区域检测方法结合进行波纹抑制。利用水面显著值较低这一特性,通过设置适当阈值对显著图进行二值化,从而分离船舶与水面区域。将显著图与SuBSENSE检测结果进行与运算滤除背景干扰,即可得到船舶区域。实验证明,该方法能有效抑制内河环境中的波纹干扰,相比原SuBSENSE算法将综合表现提高了14.6%。

基于背景复杂度自适应距离阈值的修正SuBSENSE算法

针对自适应敏感度分割(self-balanced sensitivity segmenter,SuBSENSE)算法在真实复杂场景下距离阈值更新适应性差,导致检测效果不佳的问题,提出一种基于背景复杂度自适应距离阈值修正的SuBSENSE算法。结合时间一致性和空间一致性定义了一种背景复杂度的度量方式,以此为标准,通过距离阈值修正策略获取准确的距离阈值,以便获得更好的检测效果。本算法与像素自适应分割(based adaptive segmenter,PBAS)算法和传统SuBSENSE算法进行了对比。试验表明,在动态场景下,本算法获取的前景更加精确,精度比PBAS算法和传统SuBSENSE算法提高了6.70%和0.80%,召回率比PBAS算法和传统SuBSENSE算法分别提高了9.37%和1.24%。本算法优于对比算法,在动态场景下具有更高的鲁棒性和检测精度。