基于改进ViBe算法以及改进CLAHE算法的烟雾信息增强技术

对于在火灾刚开始发生时,烟雾信息较弱且不明显的问题,提出了一种使用视频图像序列进行烟雾信息增强的技术。使用改进的ViBe算法对整个视频进行检测,获得每帧图像的运动蒙板。采用去除离群值的帧间差分放大算法对烟雾信息进行放大。通过改进后的限制对比度的自适应直方图均衡化算法(CLAHE)来提高烟雾区域对比度,并使用合并蒙板保存烟雾信息,用翻转蒙板保留原始图像背景信息,最后进行烟雾区域与背景区域的融合,得到最终图像。实验结果表明,算法可以将烟雾泄漏区域的对比度进行较大程度的提高,并且由于融合了原始图像背景,因此,背景噪声也处于较低水平。

复杂背景下改进的ViBe运动目标检测算法

针对传统ViBe算法在复杂背景下检测运动目标时会出现鬼影、阴影、误检等问题,提出了一种改进的ViBe运动目标检测算法,称为GS-ViBe算法。在GS-ViBe背景模型初始化阶段,利用最大后验估计法确定每个像素点的最佳高斯分布数目,使其形成多帧融合背景来代替ViBe的单帧背景初始化方法,从而消除鬼影;在GS-ViBe前景检测阶段,增加多特征融合阴影检测过程,并将其检测结果和ViBe前景目标融合,得到消除阴影后的前景目标;最后,在GS-ViBe背景模型更新阶段,引入动态更新因子代替固定更新因子,使得背景可以自适应更新,从而降低目标的误检率。在多种复杂背景下与传统ViBe算法对比发现,GS-ViBe算法召回率提高了37.74%,准确率平均提高了19.83%,误检率平均降低了52.57%,表明GS-ViBe算法可以有效消除鬼影、阴影、误检的干扰,获取到完整的前景目标。

基于自适应ViBe算法的动态背景运动目标检测

针对传统ViBe算法存在鬼影、背景适应性差以及前景提取效果不佳的问题,提出了一种改进的自适应ViBe算法。首先,使用哈希(Hash)算法提取关键帧进行差分运算,将差分图像与频率调谐(FT)显著性检测图像结合,提取当前帧的目标区域,填充背景像素,滤除真实目标之外的鬼影区域;然后,利用像素“最小距离”和局部标准差计算出背景的复杂度,自适应地调整像素点的半径阈值和更新速率,减少背景像素影响;最后,由比例图像矩阵信息与HSV空间中的颜色特征粗略判断出阴影区域,由拉普拉斯算子计算阴影区域像素梯度并将梯度值较小的阴影像素滤除。实验结果表明:改进后的算法能够相对有效地抑制鬼影和阴影现象,前景检测时F-Measure值保持在较高水平,对动态背景具有一定的鲁棒性。

改进ViBe的运动目标检测算法

针对ViBe算法存在鬼影、噪点的问题以及不能快速适应复杂背景进而出现误检率高的问题,提出一种改进的ViBe算法。首先算法在背景建模时将8邻域的像素点扩大到了24邻域;其次采用自适应的阈值对复杂背景进行检测;最后为了提高检测目标的准确性,改进的ViBe算法和改进的帧差法通过逻辑与或运算进行结合,并且进行形态学滤波处理对运动目标进行完整的提取。实验结果表明,改进的算法可以在更短的时间内消除鬼影,并且静态背景下检测运动目标的F-measure提升了14.2%,在树枝晃动和相机抖动的复杂背景下,能够得到较为完整和准确的运动目标,并且F-measure平均提升了2.6%。

改进ViBe算法及其在运动船舶目标检测中的应用

为了抑制ViBe算法在海面动态背景视频下“鬼影”区域对船舶运动目标检测的影响,提高监控视频中船舶运动目标识别的准确率,提出一种改进的ViBe算法。首先,背景模型用连续帧初始化,以减少“鬼影”的影响;然后,使用自适应阈值和闪烁级别来减少海面杂波,同时采用像素点对比消除“鬼影”,提取运动目标前景,获取完整的运动目标区域。最后,对输入视频进行高斯金字塔多尺度分解,并采用改进的ViBe算法检测低分辨率视频中的移动船舶,完整提取了海上移动船舶。实验结果表明,所改进的算法消除了“鬼影”区域,减少了海面杂波的干扰,检测率为92.5%,单帧视频图像检测时间控制在97 ms以内,可准确、快速地检测和提取海面船舶运动目标。

基于ViBe和目标检测的视频烟雾检测算法

提出了一种基于ViBe与目标检测的VSmokeNet烟雾检测算法。首先,该算法通过改进ViBe算法,减少噪声点的引入,提取到完整的运动前景区域,完成对烟雾的粗筛选;接着,利用大样本数据集训练的改进YOLOv5s网络对粗筛得到的烟雾运动前景区域进行二次筛选,最终实现视频烟雾的精确框定。实验结果表明,该算法在各种场景下有良好的检测效果。

改进型ViBe算法在运动目标检测中的应用

作为计算机视觉领域的热门方向之一,运动目标检测具有很高的理论研究价值和很广的实际应用空间。传统视觉背景提取器(Visual Background Extractor, ViBe)目标检测算法实时性高且内存消耗低,但存在受光照影响大、不能有效抑制拖影区域、无法消除阴影以及检测图像内部空洞等问题。鉴于以上不足,提出3点针对性改进策略:(1)优化算法核心参数。筛选最优值来替换以往经验值,从而提高算法性能,增强算法适应性。(2)引入光强检测算子。阈值半径随光强变化自适应,避免因光照变化而出现拖影区域。(3)增加阴影检测模型。利用感兴趣区域(Region of Interest, ROI)像素分布确定阴影位置,结合运动目标自身特性分割出目标区与阴影区。仿真实验结果证明:改进型ViBe算法不仅能够完整地检测、抓取运动目标,而且还可以有效地抑制拖影区域并消除目标阴影。

T_(1)WI star-VIBE增强结合TWIST-VIBE动态增强MRI对肺结节诊断的应用价值

目的:随着肺结节检出率的不断提高,肺结节的定性问题已成为临床重点关注问题之一。本研究旨在探讨T1加权自由呼吸容积内插3D扰相梯度回波序列(T1-weighted free-breathing star-volumetric interpolated breath-hold examination,T_(1)WI star-VIBE)结合时间分辨交叉随机轨迹成像的容积内插3D扰相梯度回波序列(time-resolved imaging with interleaved stochastic trajectories-volume interpolated breath hold examination,TWIST-VIBE)动态增强MRI对良恶性肺结节的鉴别价值。方法:回顾性纳入79例术前未定性肺结节且年龄大于18岁的患者,所有结节被分为恶性结节(n=58)和良性结节(n=26)。分别对结节的T1加权容积内插3D扰相梯度回波序列(T1WI-volumetric interpolated breath hold examination,T1WI-VIBE)平扫信号强度、T1WI-VIBE增强特征以及基于TWIST-VIBE的动态对比增强曲线进行分析,评估相应的定性(流入时间、流出时间、达峰时间、到达时间、正性积分)和定量参数(容积转移常数、速率转移常数、血管外细胞外间隙容积比),同时比较增强CT与MRI的诊断效能(灵敏度和特异度)。结果:肺部良、恶性结节的T1WI-VIBE平扫低信号,A、B、C型DCE曲线类型均存在统计学差异(均P<0.001),肺部恶性结节流出时间短于良性结节(P=0.001),其余参数差异均无统计学意义(均P>0.05)。同时,经过T_(1)WI star-VIBE增强MR扫描后,图像质量有进一步提高。与增强CT扫描相比,基于MRI的诊断灵敏度(82.76%vs 80.50%)及特异度(69.23%vs57.10%)均高于CT(均P<0.001)。结论:T_(1)WI star-VIBE和基于TWIST-VIBE的动态增强MRI可以在提高图像清晰度的同时为临床鉴别肺结节良恶性提供更多的信息。

基于改进ViBe算法的运动目标检测

ViBe算法是一种基于静态背景下的运动目标检测算法,针对其“鬼影”问题和运动目标静止时会被更新为背景的问题提出了改进ViBe算法,即对原ViBe算法的背景模型初始化、动态阈值、前景分割和背景模型更新等4个部分进行了改进。采用均值法获取的背景图像初始化背景模型,可消除“鬼影”;利用计数法控制前景分割动态阈值,使前景图像更加准确;使用帧差法思想改进前景分割,使前景图像更加完整;通过引入阈值保证背景模型更新的稳定性。根据试验结果可知,改进ViBe算法对正常移动车辆、较小运动目标和存在静止情况的运动目标都有较好的检测能力,解决了“鬼影”问题和运动目标静止时会被更新为背景的问题,同时相较于原ViBe算法和其他常用运动目标检测算法,改进ViBe算法在保证准确性的基础上提高了检测的完整性。

结合前景轮廓提取的改进ViBe运动目标检测算法

运动目标检测是对视频或图像序列进行一系列地分析运算,计算出运动目标在图像中的位置,并将运动目标从复杂背景中提取出来,得到只包含运动目标的图像.ViBe是目前常用的运动目标检测算法,但使用ViBe算法对视频或图像序列中的运动目标进行识别与检测时,存在“鬼影”现象并易受环境噪声的影响,为此,设计了前景轮廓提取算法对ViBe算法改进.构建背景模型时,前景轮廓提取算法使用众数背景建模法建立初始背景及背景序列;前景检测时,使用背景差分法和Sobel算子计算出运动目标区域,使用自适应的多级阈值去噪;最后,将前景轮廓提取算法与ViBe算法求交集,并使用数学形态学处理获取完整的运动目标.同时,设计了CPU-GPU的并行方案,使用CPU并行的计算图像背景,使用GPU加速前景检测.将算法在CDNet2014数据集上进行测试,实验结果表明,算法的检测精确率、召回率、F1分数较ViBe分别提高了32.14%、9.64%、20.76%,漏检率及错检率较低,精度较高;效率方面,算法的平均检测帧率较ViBe算法提升了64.70%,具有较好的实时性.

面向运动目标检测的改进ViBe算法研究与实现

ViBe算法容易实现且运算效率高等优点,在运动目标检测等领域中获得广泛运用,但其也存在一些缺点,如鬼影、空洞、漏点以及运动目标检测不完整等问题,针对这些不足,从ViBe算法处理过程的主要阶段出发,提出一种改进的ViBe算法.首先用迭代累积背景法获取真实背景用来抑制鬼影问题,其次把真实背景分别用于帧差法和改进的ViBe算法中,帧差法可用来弥补视频序列帧中边界处像素点遗漏问题,改进的24领域ViBe算法用来提高模型精度,再把两个结果进行“或”运算,最后利用形态学进行处理用以消除小噪声干扰,使得到的目标更加完整.该算法能够去除噪声、抑制鬼影以及减少空洞点,实验结果表明,与传统的ViBe算法相比,能够有效抑制鬼影以及减少漏点问题,提高运动目标检测精确度.

基于改进ViBe算法的运动目标检测

运动目标检测是智能视频监控中必不可少的环节,其检测结果的好坏影响着后续的研究。针对ViBe算法的不足,对ViBe算法进行了改进。根据chromacity法检测出阴影,通过在当前像素上添加与平均背景强度之间的差值来移除阴影;根据均值法提取出的背景建立初始背景模型,消除后续帧检测时出现的鬼影;通过缩小更新因子加快背景模型更新速度,快速消除均值法在运动目标过多时不能得到干净背景的问题;用自适应阈值代替固定阈值,引入颜色失真值,根据自适应阈值以及颜色失真值进行像素点分类;对前景目标进行去除小面积连通域操作以降低动态背景及噪声的干扰;通过进行闭运算操作以填充目标区域的空洞。实验采用CDnet 2014数据集进行验证,实验表明,改进算法能够有效地消除阴影和鬼影,提高了检测精准度,检测效果较为理想。

改进Vibe前景提取的YOLOv3烟雾目标检测方法

在使用计算机视觉方法对烟雾目标进行检测时需要考虑环境因素的影响,直接进行检测易出现漏检、误检问题。因此提出一种基于改进Vibe前景提取的YOLOv3烟雾目标检测方法。首先使用CLAHE增强图像对比度,通过改进的Vibe前景提取方法检测并提取疑似的烟雾目标区域,最后整合样本并使用目标检测算法YOLOv3对烟雾目标进行识别与定位。实验结果表明所提出的方法对复杂环境的烟雾目标检测具有更高的性能,更适用于烟雾目标检测任务。

基于ViBe算法的鬼影消除与自适应前景检测策略

为了解决传统视频背景提取算法(Visual background extractor,ViBe)前景检测时易受“鬼影”、背景噪声等因素干扰的问题,结合感知哈希算法、帧差法与频域协调显著性检测算法,提出了一种改进的ViBe算法。首先,利用当前帧的显著性图像与帧差图像,实时确定运动目标区域,消除“鬼影”现象。其次,根据样本集信息得到背景复杂度,自适应调节像素分割的半径阈值。最后,通过目标图像中连通域像素数量进行前景二次检测,滤除背景像素与噪声,得到真实目标图像。实验数据显示,检测后的图像在保持有较高准确率的同时F-measure值也维持在较高水平,证明改进算法可以快速消除鬼影现象,提高动态场景下的适应性。

基于ViBe算法对空管无人值守台站视频监控的研究

随着空管台站的增多,通过视频监控对无人值守台站和无人值守机房进行智能化管理已经成为一种趋势。使用ViBe算法对机房视频监控中的运动目标进行检测和分析,最终实现对机房的有效监控,为实现无人值守台站视频监控提供了一种解决办法。

面向运动目标检测的ViBe算法改进

背景差分法是静态背景下运动目标检测的常用方法,ViBe算法是它的主要建模方法之一.针对ViBe算法对鬼影消除缓慢的问题,提出了结合帧间差分技术的ViBe改进算法,使用帧间差分技术通过记录相关像素值的时域变化来判断鬼影像素,提高消除鬼影的速度.针对ViBe算法的固定阈值不能反映每个像素具体情况的问题,提出了一种自适应阈值的方法,可根据像素值的变化为每个像素设定阈值,提高前景检测的准确度.实验结果表明,结合帧间差分技术的ViBe算法能够较快地消除检测结果中的鬼影,应用自适应阈值的ViBe算法能够更准确地进行前景检测.

改进的ViBe算法及其在交通视频处理中的应用

基于ViBe算法的运动目标检测具有很高的处理效率,但在复杂背景下也存在缺陷,比如不能有效抑制运动目标的残影和鬼影区域、易受噪音干扰,在交通视频的处理中更为明显。鉴于ViBe算法的这些不足,本文对ViBe原算法提出了改进,结合像素生命长度对鬼影或残影像素进行判断,利用二次更新策略提高消除速度。根据像素值变化引入最大类间方差法,将原有的固定像素阈值变为动态阈值,以提高交通视频中车辆目标检测的抗干扰能力。实验结果表明,在3组不同交通场景视频中,改进算法能够在较少帧数内消除目标的残影或者鬼影。对结果的量化分析也证明了改进算法由于应用了动态阈值,使目标检测的精准度和整体性都有所提高。

基于ViBe的车流量统计算法

提出一种基于视频的快速的车流量统计算法,采用改进的ViBe算法进行背景建模,然后进行像素值判断,只更新背景像素,以此来提取前景目标。并采用符合人类视觉习惯的YUV彩色空间来消除阴影对车流量统计的干扰,提出一种基于像素级和帧级相结合的动态自适应背景更新算法,以解决光照变化对系统的影响。并使用改进的二轮扫描算法来进行车辆分割。在道路上开辟虚拟检测带,根据ViBe模型及其更新次数来判断是否有车辆进入观测带,从而实现车流量统计。相对于传统算法,本系统的实时性与鲁棒性较高。

室外视频前景检测中的形态学改进ViBe算法

背景差分法是实际中应用最广泛的前景检测方法,其关键是背景建模,比较常用的背景建模方法是高斯混合模型GMM(Gaussian Mixture Model)。最近一种称为视觉背景抽取算法ViBe(Visual Background extractor)由于其简单、快速的特点得到了越来越多的重视。但对于存在动态背景的户外视频,仍然存在噪声及背景的干扰。提出用形态学方法对算法进行改进,即先用开操作来消除噪声,再用闭操作来填充物体内细小空洞等。用ROC曲线测试了算法性能,结果表明,进行形态学处理后算法性能有了比较大的提高,比如对于户外视频Watersurface,在FPR为1%时TPR最高提高了31%。

基于HSV颜色空间和Vibe算法的运动目标检测

Vibe算法运行速度较快,并能快速有效地抑制阴影、照相机晃动对前景检测造成的影响,具有较好的前景检测性能。但对于存在动态背景的户外视频,不可避免地存在背景干扰及噪声的影响,使得Vibe算法不能准确地检测出运动目标。针对此缺陷,提出颜色特征信息与Vibe相结合的改进算法,将像素点从RGB空间转换到HSV颜色空间进行颜色失真度比较,通过双模型的建立,有效减少了计算量。系列实验表明该方法能够取得更加准确的前景分割特性,对噪声干扰表现出良好的鲁棒性。