基于ViBe的室外动态背景闪烁像素噪声消除方法

针对使用视觉背景提取(Vi Be)模型在室外动态背景下进行移动目标检测时存在不规则闪烁像素点对前景检测结果造成干扰的问题,提出一种基于视觉背景提取算法的闪烁像素噪声消除方法。在背景模型建立阶段设定背景模型样本标准差阈值,约束背景模型的采样值范围以提高背景模型准确性。在前景检测阶段引入自适应检测阈值提高前景物体检测精度,在背景模型更新过程中对图像边缘背景像素点进行边缘抑制以阻止错误背景样本值更新到背景模型。在此基础上,结合形态学操作修复连通域,提高前景图像的完整性。最后选取多个视频序列将该方法与原始Vi Be算法、形态学改进方法的检测结果进行对比。实验结果表明,该方法能有效消除闪烁像素噪声对前景检测造成的影响,获取更精确的前景图像。

ViBe背景减除步态检测

在步态检测过程中,ViBe算法利用单帧进行像素建模以及背景突然变化的处理。与混合高斯模型进行了对比分析,结果表明,该ViBe算法在建模、识别率等方面具有优势。

一种能快速抑制鬼影及静止目标的ViBe改进算法

ViBe算法存在鬼影和静止目标问题,这些问题给目标检测带来误差,需要快速有效地抑制。文章在原始ViBe算法基础上,先通过比较局部区域的背景模型像素值方差和新来帧该区域的像素值方差的大小来判断该区域存在鬼影还是静止目标,存在则进行抑制,然后采用不同的策略更新鬼影区域和静止目标区域的背景。实验结果中,改进算法仅用15帧就可以完全抑制鬼影,仅用20帧就能完全抑制静止目标,而原始ViBe算法完全抑制鬼影需要108帧且抑制静止目标能力有限。实验结果表明,对于普通的以及背景较为复杂的监控场景,文中改进算法可行、有效。

基于颜色布局描述子的改进ViBe算法

针对ViBe算法在检测运动目标时会有"鬼影"产生和在动态背景下会对目标检测过程中产生干扰造成运动目标误检的问题,结合颜色布局描述子(CLD)提取关键帧进行三帧差分、形态学后处理的技术,提出一种改进的ViBe算法。首先,通过CLD提取视频关键帧图像;然后,将所选取关键帧图像进行三帧差分,通过差分结果将含有运动目标的背景模型进行填充,得到真实的背景图像,再对运动目标进行检测,以达到消除鬼影的目的;最后,在背景模型更新的阶段加入自适应阈值的形态学处理技术,消除动态背景模型中的干扰信息。实验结果表明,所提算法在运动目标检测时在避免鬼影、抗动态背景干扰等方面表现出优越性,在相似度量阈值选取为0.67到0.72时,所提算法的准确率最高可以达到99.4%,可以理想地检测出运动目标的位置信息。

一种面向光照突变的改进Vibe算法

针对视觉背景提取(Visual background extractor,Vibe)算法在光照突变时容易导致提取的前景目标存在大面积误检的问题,提出一种基于YCbCr彩色空间和改进三帧差分的改进Vibe算法。该算法根据视频前后帧亮度值在YCbCr彩色空间的差值对光照突变帧进行精准检测,并通过判断当前帧与前一帧是否存在前景运动目标来判断采用改进三帧差分法还是Vibe初始化当前帧进行运动目标提取。改进三帧差分法通过视频前后的帧亮度差值自适应调节阈值大小,从而减小噪声对前景提取的影响。实验结果表明,改进的Vibe算法能够在光照突变的环境下提高检测目标的准确度和完整性,并有效抑制“鬼影”现象的产生,降低了误检率。

基于改进ViBe算法的运动目标检测方法

针对视觉背景提取(Vi Be)算法光照适应性差的问题,提出一种结合三帧差分法的Vi Be算法。该算法结合了三帧差分法光照适应性强以及Vi Be算法检测精度高的优点。首先,使用Vi Be算法进行运动目标检测;当发现前景目标面积与图像面积的比例超过预设阈值时,改用三帧差分法检测运动目标,以减少光照变化对检测结果的影响;最后,该算法使用中值滤波和形态学处理,以减少检测结果的空洞。实验结果表明,改进后的Vi Be算法提高了原算法在光照变化场景的鲁棒性,检测效果优于单独使用Vi Be算法或者三帧差分法的检测结果。

一种基于ViBe与卡尔曼滤波的运动检测算法设计

为了实现对运动物体的追踪,结合ViBe(背景提取算法)对视频首帧进行样本集建立,通过像素级别的逐帧判断,将前景与背景进行了分离,进行形态学处理之后利用卡尔曼滤波对分离后的结果进行运动物体追踪和标记。基于Matlab通过视频处理实验验证了可行性,可以在机器视觉、视频监测处理领域有所应用。

动态背景下基于改进视觉背景提取的前景检测

由于视觉背景提取算法(ViBe)对存在动态背景的户外视频的前景检测结果依然不够精确,故提出了一种改进的ViBe算法。文中描述了经典ViBe算法及其特点;介绍了改进的ViBe算法针对动态背景的改进措施。该算法采用多帧连续图像初始化背景模型,降低了单帧图像初始化所产生的"鬼影"对前景检测精度的影响;在匹配过程中,引入自适应的匹配阈值,克服了单个的全局阈值对动态背景适应能力差的问题;最后,在更新过程引入空间一致性判断与模糊准则来减少算法的误检,提高了算法的鲁棒性。实验结果表明,该算法可以有效地检测动态背景下的运动目标,检测准确率比经典ViBe算法提高了20%以上。

基于自适应虚拟线圈的多车道车流量检测算法

针对虚拟线圈检测算法在多车道车流量检测中存在误检或者漏检的问题,提出一种基于自适应虚拟线圈的车流量检测算法.根据图像二值化原理,对ViBe算法的前景检测部分进行二次判断,并改变背景更新机制,提出一种改进的ViBe算法,以达到快速消除鬼影的目的,更准确地完成前景目标提取.在道路上设置固定检测区域,根据运动目标在固定检测区域的运动轨迹来建立或者消除非固定虚拟线圈,再进一步使用虚拟线圈的车流量检测算法实现车流量统计.选择三个不同的场景4车道无车辆变道、2车道有车辆变道和3车道有车辆变道且环境突变进行实验,所提算法的车流量检测准确率比传统的虚拟线圈算法分别提高8.9、25和16.6个百分点,且所用时间相当.实验结果表明所提算法更适用于多车道的车流量检测.

一种基于改进视觉背景提取算法的前景检测

针对视觉背景提取ViBe算法在前景检测中存在的鬼影现象且长时间难以消除的缺点,提出一种改进的视觉背景提取算法。首先,在视频前n帧序列的帧差法中,引入大津(OTSU)算法求自适应阈值,以分割出更为准确的前景区域;其次,利用去除前景区域的前n帧图像合成一张尽量少的包含前景区域的样本图像;最后利用扩展的邻域范围在合成的样本图像中对模型初始化,并把扩大的范围用在ViBe背景模型更新阶段。该算法与各种经典算法在大量视频库中进行了对比实验,仿真结果表明,改进的ViBe算法能快速消除鬼影对前景检测的影响,前景检测更为准确。

基于视觉背景提取的自适应运动目标提取算法

在复杂场景下的视频运动目标提取是视频分析技术的首要工作。为了解决前景运动目标提取的精确度不高的问题,提出一种基于视觉背景提取(ViBE)的改进视频运动目标提取算法(ViBE+)。首先,在背景模型初始化阶段采用像素的菱形邻域来简化样本信息;其次,在前景运动目标提取阶段引入自适应分割阈值来适应场景的动态变化;最后,在更新阶段提出背景重建和调整更新因子方法来处理光照变化的情形。实验结果表明,对于复杂视频场景LightSwitch的运动目标提取结果在相似度指标上,改进后的算法与混合高斯模型(GMM)算法、码本模型算法以及原始ViBE算法相比,分别提高了1.3倍、1.9倍以及3.8倍。所提算法能够在有效时间内对复杂场景具有较好的自适应性,且性能明显优于对比算法。

复杂背景下基于Vibe和改进LBP的运动目标检测算法

在雨雪纷飞、不停波动的湖面等自然背景下,运动目标检测的准确性会受到巨大影响。因此,在动态背景中将前景目标准确地提取出来是复杂场景下运动目标检测的首要任务。针对现有visual background extractor(Vibe)算法在复杂背景下检测效果较差且易受光照变化影响的问题,提出了一种将Vibe算法与改进局部二值模式(LBP)特征算子结合的运动目标检测算法。首先,计算并保存每一帧的LBP值图像,采用相邻帧补偿策略稳定图像,减少光照对灰度值的影响。然后,使用Vibe算法建立背景模型,用改进的LBP值代替灰度值来进行前景检测。最后,进行形态学操作得到最终的前景目标。实验结果表明,所提算法和其他传统算法相比,对动态背景的抑制效果好,对比原始Vibe算法召回率平均提升25.6%,准确率平均提升12.5%,误检率平均降低22.6%。

一种改进视觉背景提取(ViBe)算法的车辆检测方法

视觉背景提取(visual background extractor,ViBe)算法应用在车辆检测时存在一个比较明显的缺点,即当视频第1帧中存在待检测的移动车辆时,在后续帧的车辆检测过程中,对应第1帧中车辆的位置处会出现鬼影并且鬼影会持续一段时间才会彻底消失,从而干扰后续帧的检测效果。提出一种改进的ViBe建模方法,新方法在前n帧中实现初始模型的初始化,并结合ViBe算法的更新方法进行模型更新。在不同分辨率、不同场景的视频中对原算法和提出的改进方法进行对比实验,实验结果表明,在第1帧中不包含车辆和包含车辆2种情况下,提出的改进的算法都能有效地检测出移动车辆且不会产生鬼影的问题。因此,改进方法比原算法更有效和实用。

基于Vibe和三帧差法的目标检测算法

运动目标检测是智能视频监控中的关键问题.Vibe是一种典型的运动目标检测算法,但是这种方法存在对鬼影消除速度缓慢以及对全局光线变化的抗干扰性差等缺点.本文提出一种改进算法,改进Vibe的背景模型更新机制,引入三帧差法作为参考帧,提升了消除鬼影的速度和背景模型的稳定性.提出一种全局光线抗干扰策略,降低了全局光线对目标检测的干扰,并通过实验验证了本文算法的有效性和可行性.

一种基于随机码本的运动目标检测算法

针对传统码本算法模型建立时间过长、更新效果差等问题,将视觉背景提取(ViBe)算法中模型建立和更新的思想用于改进码本算法,提出了一种基于随机码本(RCB)的运动目标检测算法。为减少计算量,提出了一种基于YUV空间的码本模型;为减少背景建模时间、提高模型的洁净度,提出了随机选取第1帧图像空间领域内像素点的码本训练方法;为提高背景模型对复杂场景的适应能力,提出了基于随机策略的码本更新方式。与典型算法进行了两组实验。结果表明,本文算法兼有二者的优点,不仅能迅速适应场景的转换,而且在检测精度、动态适应能力和实时性等方面都有较大提高。

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。