一种基于主成分分析的Codebook背景建模算法

混合高斯(Mixture of Gaussian,MOG)背景建模算法和Codebook背景建模算法被广泛应用于监控视频的运动目标检测问题,但混合高斯的球体模型通常假设RGB三个分量是独立的,Codebook的圆柱体模型假设背景像素值在圆柱体内均匀分布且背景亮度值变化方向指向坐标原点,这些假设使得模型对背景的描述能力下降.本文提出了一种椭球体背景模型,该模型克服了混合高斯球体模型和Codebook圆柱体模型假设的局限性,同时利用主成分分析(Principal components analysis,PCA)方法来刻画椭球体背景模型,提出了一种基于主成分分析的Codebook背景建模算法.实验表明,本文算法不仅能够更准确地描述背景像素值在RGB空间中的分布特征,而且具有良好的鲁棒性.

一种室内环境的运动目标检测混合算法

室内环境中光照、背景等变化虽然不如外界自然环境那么复杂,但是它们对于运动物体的检测也将产生显著影响。归类分析了室内照明条件与背景变化的不同类型,以及它们对于运动目标检测的影响,在此基础上提出一种能够较好适应室内环境变化的运动目标检测混合算法。该算法结合了帧间差分与背景模型算法的优点,同时引入亮度信息进行前序的处理;因此算法针对不同室内环境都具有较高的鲁棒性。通过仿真实验,证明了该算法的实时性与可靠性。

期望最大算法及其应用(2)

EM算法是实现极大似然估计的一种有效方法,主要用于非完全数据的参数估计。文章的第一部分已经详细介绍了算法的基本原理,这部分内容着重介绍算法的各种应用,特别是高斯混合模型、隐马尔科夫模型和因子分析中的参数估计。

视频监控中一种完整提取运动目标的检测算法

提出一种视频监控中完整、精确提取运动目标前景的检测算法。首先对彩色图像建立混合高斯模型,由背景差分法得到基本准确的前景图像;然后和对称差分法图像综合,得到完整可靠的运动目标图像;再利用亮度信息消除运动目标阴影;最后利用形态学滤波和连通区域面积检测进行后处理。实验结果表明,该算法检测的运动目标前景信息完整准确,对固定场景下的视频监控系统具有一定实用价值。

室内监控中一种运动目标检测的精确算法

针对室内环境的特点,本文提出了在室内视频监控系统中进行运动目标提取时算法所需要满足的基本要求,并提出了一种能够满足这些要求的方法。采用基于颜色的混合高斯模型(MoG)给场景中每个象素点建模,根据光照的变化对像素点亮度值的影响的分布情况,实现光照突变检测。利用帧间差分法检测运动物体的灵敏性,加快消除了因物体的移入移出造成的"影子"现象。实验结果证明,本文运动目标探测算法对室内视频监控系统的运动检测和消除虚假报警具有较好的实时性和稳健性。

室内照明条件对于运动目标检测算法影响的分析

在室内视频监控系统中,光照条件对于运动物体的检测与分类将产生显著影响。本文归类分析了室内照明条件对于运动目标检测算法的不同影响,提出一种能够快速地适应光照条件变化的运动目标检测算法。该算法结合了帧间差分与背景模型算法的优点,并且引入亮度信息进行前序的处理;因此能够快速准确地检测出运动目标,同时算法对不同光照条件具有较高鲁棒性。通过相关仿真实验,证明了该算法的实时性与可靠性。

自适应秩收敛低秩算法压制沙漠地震随机噪声

针对沙漠地震记录中包含大量复杂噪声降低信噪比的问题,提出一种将变分模态分解(VMD:Variational Mode Decomposition)与混合高斯鲁棒主成分分析(MoG-RPCA:Mixture of Gauss-Robust Principal Component Analysis)相结合的自适应秩收敛去噪算法。首先利用VMD对含噪记录进行分解,将分解得到所有模态重排成一个新的信号矩阵,并对其进行MoG-RPCA低秩分解,当分解误差满足预设要求时提取有效低秩分量,最后将低秩矩阵中每一道信号的所有模态叠加并与含噪记录作差得到最终去噪结果。该方法既规避了VMD模态取舍问题,同时对传统低秩分解进行自适应秩收敛,从而无需多次调整秩数大小。模拟实验和实际数据处理表明,该算法可以有效压制低频噪声,对有效信号幅度保持均能到达85%以上。

自适应邻域相关性的背景建模

目的背景建模在计算机视觉领域中是检测、跟踪、行为学习和识别的基础,被广泛地应用于视频监控的运动目标检测。混合高斯(MOG)和Codebook是其中具有代表性的方法,但它们假设像素点间信息是独立的,只保留了时域信息而忽略了空域信息,使得模型对背景的描述局限于时间上的连续性。针对上述问题,提出了一种自适应邻域相关性的背景建模方法(ANC)。方法 ANC在保留原始方法时域信息建模特性的同时,增加对邻域模型的复用,同时利用计算结果反馈自适应调整邻域区域,提高对前景值判断的准确性。首先利用原始基于像素点的背景建模方法进行候选前景检测,然后将候选前景检测结果为前景点的像素与邻域像素点模型进行对比,若邻域范围存在匹配则为背景点,若不存在则为前景点;最后引入像素置信度概念,自适应调整邻域范围的大小。结果与MOG和Codebook相比,在changedetection标准数据库上,ANC在ROC(受试者工作特征曲线)和度量值等方面的平均精度和F-measure都提高了7%以上。结论自适应邻域相关性的背景建模方法适用于复杂多模态背景,克服了基于像素点背景建模方法假设的局限性。与普通基于像素点的背景建模方法相比,具有更好的鲁棒性和抗噪性,对复杂背景具有更强的适应性。