应用粒子滤波及先验概率模型进行图像分割的新算法

基于粒子滤波在非线性非高斯情况下具有较好的预测结果,本文提出了一种自适应背景图像分割新算法,该算法利用粒子滤波对下一帧的前景区域进行预测,进而计算出下一帧各像素点属于背景的概率以指导下一帧图像分割;在前景像素值与背景像素值相近的情况下利用先验知识进行图像分割是一种较好的方法,本文以粒子滤波预测结果与先验概率模型计算结果的均值作为当前像素点属于背景的概率来进行图像分割,实验结果表明,该方法在背景变化范围较大的情况下,可以减少前景点误分割为背景点的概率.

基于GMM和MRF的自适应阴影检测

运动目标阴影在很大程度上会影响运动目标跟踪、行为识别的正确性和有效性.为此,文中提出了一种基于混合高斯模型和马尔科夫随机场的自适应阴影检测方法.该方法首先对混合高斯模型进行改进,使其可以自适应调整参数学习率以消除浅阴影;然后采用马尔科夫随机场综合邻域的空间依赖性信息进行精确的阴影检测.为了提高基于马尔科夫随机场的阴影检测的精度与效率,采用信息容量进行颜色特征选择,并利用基于自适应阈值的初始阴影检测结果来设定马尔科夫随机场的初始参数.实验结果表明,利用文中提出的方法检测阴影,能有效地解决阴影检测的误分类问题,提高阴影检测的准确度.

基于改进的混合高斯背景模型的运动目标检测

运动目标检测较为流行的GMM算法在检测运动目标时易出现拖影,目标由运动慢慢静止时易产生误检和漏检,目标分割基于经验阈值。针对上述缺点,融合自适应阈值和区域分割进行改进。差分法将视频图像分割为变化区域与背景区域,背景区域以固定较小的更新率更新背景模型。对变化区域,融合自适应阈值分割该区域为运动目标和背景显露区,背景显露区以较大的更新率更新,快速恢复拖影,运动目标区域不再为混合高斯模型构建新的高斯成分,克服运动目标融入背景而造成的漏检和误检。实验表明,该算法有很好的适应性,能消除拖影,检测效果、精度和算法速度都得到改善。

基于先验概率模型的自适应背景图像分割算法

在利用背景消减的视频图像分割过程中,背景模型假定为高斯模型下判断像素点是否为背景点一般采用规则。当模型中方差参数的值较大时,与背景相近的前景被误分割为背景的误差就较大。针对这一问题,提出了一种基于先验概率模型与距离因子对背景进行分割的算法,该算法判定当前帧像素点为背景的概率由其先验概率及该像素点在上一帧分割结果中与前景点的距离决定。实验结果表明,与判定规则相比,该方法在背景变化范围较大的情况下,可以减少前景点被误分割为背景点的误差。

自适应动态肤色检测技术研究进展

肤色检测在人脸检测、手势识别、敏感图像过滤、医疗诊断、图像增强等计算机视觉和图像处理领域具有广泛的应用。由于人体肤色容易受光照条件、种族等因素的影响,难以在非限制性场景中达到理想的肤色检测效果,所以自适应肤色检测方法应运而生。本文较全面地对自适应肤色检测方法进行了综述,重点分析了基于参数动态调整和基于高层语义特征的自适应肤色检测方法,讨论了它们各自的优势和不足,并在此基础之上展望了未来的发展趋势,为相关研究人员提供参考。

基于多元时间序列的自适应贪婪高斯分段算法

现有多元时间序列分段算法中分段点的选择以及分段个数的确定往往需要分别独立完成,大大增加了算法的计算复杂度.为解决上述问题,提出一种基于多元时间序列的自适应贪婪高斯分段算法.该算法将多元时间序列各个分段所对应的数据解释为来自不同多元高斯分布的独立样本,进而将分段问题转化为协方差正则化的最大似然估计问题进行求解.为提高学习效率,采用贪婪搜寻方法使每个段的似然值最大化进而近似地找到最优分段点,并且在搜寻的过程中利用信息增益方法自适应地获取最优的分段个数,避免分段个数确定和分段点选择分别独立进行,从而减少计算的复杂度.基于多种领域的真实数据集实验结果表明,所提出方法的分段精度以及运行效率均优于传统方法,并且能够有效完成多元时间序列的异常检测任务.