融合两帧差分法的改进视觉背景提取算法

针对视觉背景提取(visual background extractor,ViBe)算法在运动目标检测过程中容易受到噪声干扰的问题,将两帧差分法融入ViBe的前景检测阶段,提出一种融合两帧差分信息的改进ViBe算法(ViBe with two-frame differencing,ViBe-TD)。首先,设计单阈值形ViBe(single-threshold form of ViBe,S-ViBe)检测,为信息融合做准备;其次,基于逻辑斯蒂(logistic)回归模型,实现像素点上两帧差分和S-ViBe检测信息的融合;最后,综合两类检测信息完成前景像素点的判定。实验结果表明,ViBe-TD算法在4种不同场景视频上的检测效果达到了0.932的平均精确率,0.785的平均召回率以及0.842的平均F 1值。与原算法相比,ViBe-TD算法的各项指标平均有0.158的提高,具有良好的检测效果。

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。

改进视觉背景提取模型的运动目标检测算法

针对视觉背景提取模型对动态场景适应性不强、运动目标检测精度低等问题,提出一种改进的视觉背景模型算法.在模型建立与初始化阶段,采用按序抽取的方法将像素点本身信息加入到背景模型中,形成邻域背景模型,降低复杂场景对模型的影响;在前景检测阶段,结合像素点的空间邻域信息自适应地获取分割阈值,减少各类复杂场景对检测结果的干扰,提高运动目标检测的精度;在背景更新阶段,根据场景复杂度动态地调整模型的更新周期与更新方式,使得模型能够有效地消除虚影与背景噪声的影响,增强模型对复杂场景的适应性与鲁棒性.与典型算法进行对比的实验结果表明,该算法具备较高的检测精度,适用于动态场景中的运动目标检测.

基于灰度特征和自适应阈值的虚拟背景提取研究

针对虚拟背景提取(Visual Background extractor,Vi Be)算法在目标检测时容易出现鬼影和运动目标阴影的缺点,该文提出了一种基于灰度特征和自适应阈值的Vi Be背景建模改进方法。该算法首先利用Vi Be算法进行背景建模,得到前景目标,然后对前景目标进行灰度特征判断和自适应阈值比较,得到没有鬼影和运动目标阴影的运动目标。实验结果表明,改进后的算法可以很好地弥补Vi Be算法的不足,提高Vi Be算法的识别准确率。

基于随机聚类的复杂背景建模与前景检测算法

为了构建鲁棒的背景模型和提高前景目标检测的准确性,综合考虑同一位置的像素点在时间上的关联性和与其相邻像素的空间关联性,基于经典的Vi Be算法中的随机聚类思想提出了一种复杂背景建模和前景检测方法.利用样本一致性原理,采用前n帧序列图像得到初始化背景,避免了Ghost现象的发生;根据实际复杂背景的动态反馈获取自适应聚类阈值和自适应更新阈值进行随机聚类,从而实现了对动态背景的适应性;通过全局扰动阈值和局部像素级判断阈值的结合,实现了对光照缓慢变化、快速变化以及突然变化的免疫性,准确地分割前景目标.对多组数据集的测试结果表明,本文算法较大地提高了背景模型对动态背景、光照变化及相机抖动的复杂背景的适应性和鲁棒性.算法还能很好地适用于红外图像检测运动目标的场合,扩展了本算法的应用范围.在没有进行任何图像预处理和形态学后处理情况下,得到的原始前景检测精度优于其他对比算法.

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.

改进ViBe的运动目标检测算法

针对ViBe算法对光照突变不敏感以及由于背景存在大量高频扰动对象而被误检为前景的问题,在经典ViBe算法的基础上提出了改进方法。采用分离视频帧HSV空间中V分量均值作为判断光照突变的方法,由实验得到判断光照突变的阈值Δω=0.1作为判别条件,若光照发生突变则采用突变平稳后的视频帧作为初始帧重新建模,以此解决光照突变问题,由于算法初始建模时存在运动目标会产生“鬼影”的情况,采用连续两帧差分背景模型的方法去除“鬼影”,并提出判断扰动强弱情况的扰动强度因子概念,根据扰动强度因子强弱程度,动态的改变背景建模时匹配半径的大小。实验表明,改进ViBe算法在光照突变和背景高频扰动情况下比原算法的误检率平均降低6%左右,且能够达到实时检测的效果。

一种用于消除伪影的增强视觉背景提取算法

视觉背景提取算法(ViBe)在视频的首帧图像中随机地选取每个像素的空间邻域像素,对其背景模型进行初始化。该算法在检测初期容易产生伪影。针对该问题,提出一种采用像素的时间域信息初始化背景模型的增强视觉背景提取算法(E-ViBe)。首先,利用像素在连续的多帧图像中的历史像素完成模型的初始化;然后,根据空间邻域像素所得到的背景复杂度自适应地获取分割阈值;最后,采用动态更新率对背景模型进行更新,从而让背景模型更快、更好地适应场景的变化。实验结果表明,E-ViBe算法不仅能够快速、有效地去除伪影,也提高了目标检测的准确度。

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。

一种改进的基于QPSO的VIBE算法

与传统背景减除建模算法相比,视频背景提取算子(VIBE)算法无需估计背景数据的概率分布。所以,不像传统背景减除算法需要一定数量的训练视频帧,具有较小的运算复杂度与较好的精度,适用于嵌入式实时视频监测。某些场合下,视频流需要适时改变分辨率。然而,传统VIBE算法通常采用固定参数,不同分辨率的视频流,会导致固定参数的VIBE算法的检测精度下降。为此提出一种基于量子蚁群最优(QPSO)参数寻优算法,在初始状态对于视频流进行参数寻优计算,获取相应的最优参数,从而提高VIBE算法的学习能力。实验从定量和定性两个角度验证了本文改进的VIBE算法大幅度提升了针对不同分辨率的视频流分析能力。

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。

尺度自适应的铁路异物侵限PSA-Kcf降维跟踪方法

针对铁路异物侵限存在尺度上的外观变化,导致现有目标跟踪算法容易学习到过量背景或局部纹理信息,从而引发跟踪框漂移的问题,提出一种融合尺度估计的核相关滤波目标跟踪算法。利用视觉背景提取器ViBe对铁路沿线侵限异物进行检测,通过密集循环采样和尺度金字塔技术分别提取初始化跟踪框的FHOG特征,用来训练一个核相关位置滤波器和一个PCA降维的尺度滤波器,以实现尺度自适应的铁路侵限异物快速跟踪。实验结果表明:PSA-Kcf算法在跟踪精度上优于无尺度估计环节的生成类算法MeanShift和原生核相关滤波算法Kcf,略高于尺度自适应的SA-Kcf和SAMF算法;在跟踪速度上明显快于MeanShift、SA-Kcf和SAMF算法,能达到与Kcf算法相当的快速跟踪效果。

An improved Vibe algorithm for illumination mutations

The visual background extractor(Vibe)algorithm can lead to a large area of false detection in the extracted foreground target when the illumination is mutated.An improved Vibe method based on the YCbCr color space and improved three-frame difference is proposed in this paper.The algorithm detects the illumination mutation frames accurately based on the difference between the luminance components of two frames adjacent to a video frame.If there exists a foreground moving target in the previous frame of the mutated frame,three-frame difference method is utilized;otherwise,Vibe method using current frame is used to initialize background.Improved three-frame differential method based on the difference in brightness between two frames of the video changes the size of the threshold adaptively to reduce the interference of noise on the foreground extraction.Experiment results show that the improved Vibe algorithm can not only suppress the“ghost”phenomenon effectively but also improve the accuracy and completeness of target detection,as well as reduce error rate of detection when the illumination is mutated.

可视化背景提取和粒子滤波的行为检测研究

在智能视频监控中,目标所在场景的复杂性和光照变化使得运动目标的检测难度加大。采用可视化背景提取(ViBe)算法来检测运动目标,对于运动目标在运动过程中的交叉、遮挡等情况,采用ViBe算法和粒子滤波运动目标跟踪算法相结合,完成对运动目标的检测与跟踪;在运动行为检测中,进一步定义目标的运动方向,从而判断目标的运动状态。实验表明,ViBe算法能够准确检测复杂场景中的运动目标,并能够适应噪声干扰和光照变化,将其和粒子滤波结合能够准确跟踪实际场景中的运动目标,并能够准确判断目标的运动状态。

基于CUDA的并行视觉背景提取算法

为了提高视觉背景提取(ViBe)算法的检测效果和检测速度,对其进行改进和并行化处理。该算法基于像素及其邻域像素之间的差值构建最终的背景样本,减少边缘噪声对于检测精度的影响;背景样本更新阶段中使用自适应的时间二次抽样因子,加快消除单帧初始化所形成的"鬼影",提高算法的健壮性。同时分析了ViBe算法的并行点,并用CUDA语言实现该算法。实验结果表明,该算法能有效减少边缘噪声,快速消除"鬼影",且检测速度较CPU端有大幅提升。

一种改进的融合前景点重采样的ViBe算法

针对视频第一帧中存在待检测的运动物体,利用视觉背景提取算法(ViBe)对该物体后续帧检测,会在第一帧的位置上持续出现鬼影现象,提出了一种改进的ViBe算法.该算法在视频中融合连续N帧图像作为前景点的基础上,采用重采样的方法来初始化背景模型以实现动态背景有效提取.实验结果表明,提出的改进算法能有效地检测出动态背景下移动物体,并能有效地解决图像获取的鬼影现象,从而提高了算法的误检率及鲁棒性,通过改进后的ViBe算法比原算法能够更有效地检测动态背景下的运动目标.

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。

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。

基于颜色和局部二值相似模式的背景减除

针对视觉背景提取(Visual Background Extractor,ViBe)算法对光照变化和动态背景适应性差、鬼影消除时间长的缺点,提出了一种改进的ViBe算法。该算法使用颜色特征与局部二值相似模式(Local Binary Similarity Pattern,LBSP)特征进行背景建模,增加了对光照变化的鲁棒性。在模型更新阶段,引入二次空间传播机制,以加快消除鬼影的速度。根据当前像素与空间邻域像素的标准差获得自适应判决阈值,以较快的时间响应速度抑制动态背景的干扰。在Change Detection dataset数据集上的实验结果表明,改进后的算法能较快地抑制鬼影,同时能保证慢速和静止目标不会很快地融入背景,对复杂动态场景和光照变化有较好的适应性,其F-measure指标较ViBe算法提升了19.29%。