基于直方图比的背景加权的Mean Shift目标跟踪算法

针对Mean Shift跟踪算法目标模型中背景像素所造成的目标跟踪定位的偏差,提出了一种基于直方图比的背景加权的目标表示方法。该方法使用由目标核直方图和背景直方图的对数似然比值推导出的隶属度因子作为权值,通过只对目标模型进行加权变换,而不变换目标候选模型的方法,增强了目标和背景的可分性,有效减少了跟踪过程中背景像素的干扰,提高了目标定位的准确性。仿真实验结果表明算法的有效性。

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。

基于优化GM(1,1)模型的安徽省GDP预测

传统GM(1,1)模型基于最小二乘法进行参数估计,计算过程简单,但易受异常值影响,而最小一乘法考虑误差绝对值和最小,稳健性较好,且背景值z(1)(k)易使GM(1,1)模型产生系统误差。鉴于此,文章提出一种基于优化背景值的最小一乘法GM(1,1)模型。采用传统GM(1,1)模型、背景值优化的GM(1,1)模型和文章中提出的优化背景值的最小一乘法GM(1,1)模型对安徽省2012—2020年的GDP总量进行了建模研究,并对比几种模型的预测精度,发现文章提出的优化GM(1,1)模型预测精度最好。

基于均值背景与三帧差分的运动目标检测

为了实现对室外监控视频中人体运动目标的准确提取,针对传统的三帧差分法在运动目标检测过程中容易出现"空洞"现象,提出了一种基于均值背景与三帧差分的运动目标检测算法.该算法通过将经均值背景建模得到的视频当前帧的背景加入到三帧差分中与视频当前帧和视频当前帧的下一帧分别进行邻间差分,避免了背景像素点对前景检测带来的影响,解决了三帧差分法在运动目标检测过程中存在的"空洞"问题.仿真结果表明,该算法在完整性和准确性方面要优于传统的运动目标检测算法,可以在复杂背景环境中实现快速的运动目标提取.

基于改进K-均值聚类算法的背景建模方法

针对背景差法易受外界环境因素影响的缺点,提出了一种基于改进K-均值聚类的背景建模方法。通过比较任意样本与该像素位置处的子类中心之间的距离,对各个像素的观察值进行聚类,并在聚类过程中逐步确定其类别数。一段时间的学习之后,样本数最多的子类就构成了背景模型。仿真结果表明,该算法即使在运动目标存在的情况下也能准确的提取出实际的背景,而且显著地降低了系统的存储量。

基于改进K-均值聚类算法的背景提取方法

背景提取是运动目标检测中重要而基础的一个环节。分析了一般静态背景提取算法的原理和缺陷,提出了一种新颖的基于改进K-均值聚类算法的背景提取方法,给出了动态三元组(DTDG)的概念,并且对每个像素用3个动态三元组进行建模,实现了原始背景的提取。实验验证了所提方案的有效性。

基于自适应背景模型的运动目标检测

针对运动目标检测中背景模型的提取和更新,本文首先提出了基于改进K-均值聚类算法的背景提取方法。该方法给出了动态三元组(DTDG)的概念,并且对每个像素用3个动态三元组进行建模,实现了原始背景的提取。其次,提出了一种新颖的自适应背景建模方法。对每个像素维护一个新的动态三元组,根据像素的动态变化信息决定更新策略,实现了背景的自动更新,可以适应光照的突变、缓变和场景本身的变化。实验验证了该方法的有效性。

结合运动特征的目标跟踪方法

针对视频跟踪过程中出现的背景干扰、目标遮挡等问题,提出基于多特征融合的均值漂移算法和最小二乘法轨迹预测跟踪方法。为解决背景干扰问题,使用改进的混合高斯模型对背景实施建模,提取运动前景目标,采用提取出的运动信息结合颜色、纹理特征对目标进行描述,在跟踪过程中利用运动信息去除背景噪声的干扰,从而适应背景和目标的变化,得到目标位置,当遮挡发生时,根据目标遮挡前的先验信息预测最小二乘法的目标轨迹,有利于重新捕获目标。实验结果表明,与已有的跟踪方法相比,该方法在复杂背景和遮挡过程中对目标的定位更精确,鲁棒性更好。

基于混合高斯模型的新型目标检测系统

针对传统混合高斯模型计算量过大及其在非平稳背景下存在的问题,提出一种新型运动目标检测系统。该系统引入模型等权重初始化策略,改善了视频检测初始阶段的效果;通过基于线性均差的模型匹配方法,减少了对方差的运算次数,有效减少了模型的计算量;加入干扰信息处理模块,以增强模型在复杂背景下的生存能力。经实验验证,新型系统准确检测出了视频初始阶段的多运动目标,可使进入场景后停留的目标快速融入背景,并能有效克服非平稳背景的扰动。实验结果表明该系统相比经典模型,准确性和鲁棒性均有明显改善。

基于运动轨迹分量的行人徘徊行为检测研究

针对传统的目标徘徊检测方法在实时性和准确性等方面的不足,提出了一种基于目标轨迹分量曲线的行人徘徊检测算法。首先,采用基于帧差法的背景模板建模方法来建立初始背景。然后,用改进的结合背景差分的三帧差分法检测前景目标,通过Mean-shift算法对前景目标进行跟踪。最后,将得到的运动轨迹做正交分解,根据目标运动轨迹的X轴、Y轴分量曲线来对徘徊行为进行识别。实验表明,该方法能够对几种典型的徘徊行为进行实时、精确判断,同时可以检测出其他复杂的徘徊行为,有较好的实时性和准确率。

一种用于智能监控的目标检测和跟踪方法

在对现有目标检测、跟踪算法进行分析对比的基础上,设计并实现了一种简单有效的目标检测和跟踪方案。首先提出了一种基于像素灰度归类和单模态高斯模型的背景重构算法,能够利用多帧包含前景目标的场景图像重构准确的背景模型。进而以此为基础采用背景减法进行各帧中目标的检测,并选取形心作为匹配特征实现了场景中多个目标的有效跟踪。实验表明,该方法实现简单,无须事先提供背景图像即可实现目标的准确检测和跟踪,其性能明显优于传统基于时间平均背景模型的方法。

基于改进巴氏指标和模型更新的视觉跟踪算法

传统的Mean Shift算法采用巴氏系数度量模型与候选模型之间的统计特征相似性,但是由于背景特征的影响,有时应用巴氏指标进行匹配得到最优解的位置并不一定是目标的实际位置,在跟踪过程中可能导致目标定位出现偏差。该文提出一种改进的巴氏系数相似度指标,指标由于引入了前景/背景置信值,能够有效抑制待匹配区域中背景特征的影响,突出目标特征的权重,与原始的巴氏指标相比,明显提高了目标匹配的准确性。基于改进的巴氏指标,对目标与背景区域双模型相似度系数进行综合分析,合理地判断干扰目标匹配的原因,从而采取相应的模型更新策略。采用4段具有挑战性的视频序列对5种跟踪算法进行了测试,通过定量实验分析可知,文中算法处理1帧视频所需的平均时间为75.76 ms,实时性仅次于原始的Mean Shift跟踪算法,同时跟踪误差在5种跟踪算法中取得了最优结果。实验结果表明,该算法能够有效抑制背景干扰和避免模型漂移,在不同的复杂场景下都具有一定的鲁棒性。

建立灰度图像的背景模型方法研究

建立背景模型是在灰度图像序列中进行目标跟踪常用的方法。建立背景模型的目的是对背景象素点的分布及其变化情况作一个描述,以便将前景目标从背景中分离出来。本文对几种建立背景模型的方法做了比较,并通过实验分析了各自的优缺点。

灰色预测模型背景值赋值不合理性的证明及改进

文章根据灰色预测模型的建模机理,针对灰色预测模型中背景值的赋值过程,结合拉格朗日中值定理从数学上证明了灰色预测模型中背景值的赋值是不合理的。针对其不合理性,提出了一种模型改进的方法。并以重庆市农村用电量进行了实证分析,验证了模型改进的效果。

一种适合红外序列图像的背景建模方法

现有的关于可见光图像的背景建模算法可以应用到红外序列图像中,但这些算法并没有考虑红外图像的特点。提出了一种适合红外图像序列的同帧多次差分背景建模方法。该方法使用初始帧作为初始背景模型,采用后续若干帧对应位置灰度值接近初始帧灰度平均值的像素点对初始模型进行更新。为防止噪声点和移动的目标或物体对背景模型产生误更新,采用初始帧灰度值的方差来限制更新。采用了OSU Thermal Pedestrian Database和Terravic Motion IR Database中的图像序列验证算法性能。一般的,对自拍的校园红外图像序列进行了实验。所有实验结果采用背景差分图来分析。实验结果表明算法速度较快,背景建模效果接近甚至超过了Surendra算法。

基于聚类的背景建模方法

对图像序列中的运动目标进行实时检测是视频处理领域一项基础性工作,背景减除法是主要的运动目标检测方法,有许多的背景模型用于处理不同的问题。提出了一种基于改进的K均值聚类算法的背景建模方法。实验结果显示该方法在复杂背景环境下具有有效性和鲁棒性,取得了较好的精确度。

统计建模与对象更新机制相结合的背景减法

基于混合高斯模型(Gaussian Mixture Models,GMM)或码书模型(Codebook,CB)的传统背景建模算法和改进后的G-KDE算法被广泛地运用于运动目标检测中,但是在光照突变、非静止背景和运动目标短暂停留再运动的场景中不能正确地检测出运动目标。针对以上问题,提出了一种从静止摄像机的视频序列中检测运动目标的背景减算法。通过统计像素的经历作为时间序列,利用核密度估计判断背景像素是否受到运动目标干扰,使用K-均值聚类算法的两个连续阶段来确定可靠的背景区域,通过像素更新适应渐进的光照变化,提出一种基于对象的背景更新机制适应突然的光照变化以及非静止背景、鬼影等干扰。对实际摄取的视频进行了仿真实验,结果表明该算法比其他三种方法检测运动目标鲁棒性更好,准确性更高。

基于改进均值建模的自适应三帧差分算法研究

针对实际视频图像中复杂的背景环境(光照变化、有微动物体等),运动目标检测算法不易提取出完整的运动目标,提出了基于改进均值背景模型的自适应三帧差分算法。该算法利用前k帧建立的均值背景模型作为三帧差分法的中间帧,再采用三帧差分法,并对差分结果选取自适应阈值来二值化,将两个检测出的目标进行"与"运算,最后通过形态学处理、滤波等,获得运动目标的真实位置。最后试验结果表明,提出的算法能够适应比较复杂的背景环境,不易受光照变化或其他微小变化的影响,又能有效克服空洞和边缘丢失的现象,并且检测准确率更高,适用于无人监控环境。

适应复杂背景的C-V模型

当图像中只有目标和背景两类分片光滑区域时,C-V模型可以取得很好的分割效果,然而需要从复杂背景中提取目标边缘时,该模型往往无法得到正确的结果.针对这一问题,在C-V模型和均值平移技术的基础上提出了适应复杂背景的C-V模型.该模型能够根据图像特征空间分段地确定轮廓曲线的内部区域和外部区域.实验结果表明,所提出的适应复杂背景的C-V模型对复杂背景有更强的适应能力,能够从复杂背景中成功地提取到连续光滑的目标边缘.

基于最优k均值聚类的时空动态背景模型

为了还原动态背景像素值的真实分布,本文提出了基于最优k均值聚类的时空背景模型.首先采集每个像素点不同时刻的相邻像素信息,然后对采集到的所有样本像素值进行多次k均值聚类,并计算对应的轮廓系数找到最优k值,建立初始背景概率模型.由于最优k值反映了数据真实分布的个数,其值越大说明动态背景变化越快,因此最后根据最优k值计算更新速率对背景模型进行实时更新.本文在CDnet2014提供的动态背景数据集上进行了相应的实验,实验结果表明本文提出的模型对运动目标检测的效果要优于ViBe、EFIC、AAPSA等目前已有的算法.