一种基于背景减除与三帧差分的运动目标检测算法

本文提出一种基于背景减除法和三帧差分法来进行运动目标检测的算法.首先运用Surendra背景更新算法建立运动区域的背景模型,通过背景减除法确定运动目标区域,后与三帧差分法得到的差分图像相结合,得到比较可靠的运动目标区域.实验结果表明,该算法准确率高,运算速度快,能满足实时检测的需要.     

LTP与光照突变补偿结合的运动目标检测算法

针对现有运动目标检测算法在光照突变条件下鲁棒性不强、易发生误检等问题,提出了将LTP算子与光照突变补偿模型结合的运动目标检测算法。首先利用LTP算子获取当前帧与其背景图像的纹理特征图,然后计算当前帧图像像素点作为前景点的概率并依据概率自适应地更新背景,再判断图像是否发生光照突变补偿并采用线性模型补偿突变图像序列,最后利用背景减除法获取运动目标。实验结果表明本文算法在光照突变条件下对运动目标检测效果理想,检测精度指标PR高于同类其他算法,且具有良好的鲁棒性。     

动态阈值的Vibe运动目标检测

Vibe算法是一种高效的像素级背景建模算法,但是它同混合高斯模型一样,不能适应光线突变的问题,在对Vibe算法的基础上提出了一种在静态场景下对光照变化鲁棒的运动目标检测方法。该方法首先利用Vibe模型建立背景样本集,并利用Vibe模型对判别为背景的像素对背景帧进行更新。其次视频当前图像帧与背景帧差分,并采用Otsu算法计算图像的分割阈值来检测运动目标。实验结果表明,改进的方法能够很好地消除由于环境光照变化引起的“曝光”现象,提高了运动目标检测的精确度,并且改进的算法对室内场景下的阴影也有较好的抑制作用。     

结合分块的改进三帧差和背景差的运动目标检测

针对运动目标检测易受背景影响及帧间差分易产生空洞的问题, 提出了一种基于分块的改进三帧差分和背景差分相结合的运动目标检测算法. 该算法利用边缘检测法和均值法建立初始背景模型, 将视频图像划分成多个子块, 对利用改进的三帧差分和背景差分获取的图像的各个子块进行自适应阈值检测, 获取图像中的运动前景目标, 背景图像采取自适应更新方法. 实验结果表明, 该算法能完整的提取运动目标, 背景适应性强, 具有较高的准确性和效率.     

一种基于图像序列的水下运动目标检测方式

根据水下运动目标检测的需要,提出改进的Vibe检测算法以适应水下环境中运动目标检测的特点。根据水下成像的特性对图像序列预处理,对于Vibe在首帧建模以及后期背景更新时产生的"鬼影",在首帧建模时目标区域进行近似的背景填充。针对水下运动目标运动相对缓慢及难以静止的特点在更新方式上采用保守更新与前景计数结合的方式,能较好地适应水下运动目标检测。     

混合高斯模型和差分法相融合的运动目标检测

提出运动目标检测中背景动态建模和OTSU局部递归分割的一种方法,该方法在自适应混合高斯背景模型基础上,为每个像素构建混合高斯背景模型,通过帧间差分把每帧中的图像区分为背景区域和运动区域,背景区域中像素点将以特定的更新率更新背景模型,物体运动区不再构建新的高斯分布加入到混合高斯分布模型中.实验结果表明,在有诸多不确定性因素的序列视频中构建的背景有较好的自适应性,能迅速响应实际场景的变化.     

基于Surendra背景差分和帧间差分的运动目标检测

运动目标检测是视频监控和目标跟踪研究的前提,目标提取是否准确,将直接影响到后期目标跟踪和处理的效果。该文在背景减除法和五帧差分法的基础上,提出了将两种算法相结合的方法,对视频序列中的运动目标进行检测。首先采用Surendra背景减除法建立背景模型,并通过迭代法计算出动态阈值,完成背景更新,然后将检测出的运动目标区域与五帧差分法得到的目标轮廓图形进行逻辑"或"操作,取得比较完整的运动目标,最后采用连通性检测和孔洞填充方法综合得到运动区域图像。通过MATLAB验证和量化评估表明,该方法能准确地检测出运动目标,同时在识别率和误检率方面也得到了较好结果。     

慢运动背景下运动目标提取算法*

提出一种慢运动背景视频序列下基于帧间背景图像匹配的运动目标检测和提取算法。该算法首先使用仿射变换模型来描述慢运动背景图像的运动变化,并使用基于光流约束方法求解该仿射变换模型参数,实现了相邻帧间图像的背景匹配;其次,采用背景匹配后的两帧图像差进行目标检测,使用自适应二值化区分变化与未变化区域;最后,使用形态学等图像算法进行后处理提取运动目标。算法经实验证明,在背景慢运动情况下可以有效地提取出运动目标。     

适应光照突变的运动目标检测算法

针对光照突然变化条件下的运动目标检测存在的问题,提出一种基于局部二值模式(LBP)的背景建模算法.首先分别计算背景帧和当前帧的LBP纹理特征图,然后将其对应像素进行异或运算,得到的当前像素作为前景的概率,并根据该概率自适应地更新背景,可以使其很快接近真实背景,再用背景减除法得到目标.实验结果表明,文中算法能有效地处理光照的突然变化,背景更新速度快,检测出的目标接近真实目标.     

基于高斯背景建模和时间差分法的目标检测研究

运动检测算法的目的是在视频流中提取运动目标。主要的检测方法有:基于特征的运动检测技术、光流法、时间差分法、背景减除法。在研究中提出了一种基于混合高斯建模方法和改进帧间差分法相结合的运动检测方法。方法第一步建立高斯背景模型,对运动目标进行提取,第二步来使用改进的三帧差分方法对提取的物体做进一步的检测,以得到更精确的运动目标图像,第三步用仿真实验对研究算法进行分析与检测。     

基于随机选择和竞争合作更新策略的变化检测

针对复杂场景中背景更新这一难题,提出一种背景更新适应性较强的变化检测算法。利用建模样本的无记忆性进行随机更新得到初步更新后的背景模型,采用模型像素间竞争的方式选取邻域更新位置,通过当前帧图像像素间合作的方式得到加权更新值。仿真实验结果表明,所提更新策略能够在有效处理复杂场景的同时保证检测结果的准确率。五类复杂背景图像序列的仿真结果也验证了该算法具有综合性能的优势。     

一种用于运动物体检测的自适应更新背景模型

提出一种能自适应更新的背景模型,使得运动物体检测中场景变化时提取的背景能进行相应的更新.该模型利用特征点信息将场景中的像素点分类,并针对不同类别像素点计算其更新速率;然后对像素点采用相应速率进行更新,从而能根据场景不同变化进行自适应更新.实验结果表明,该模型能较好地处理混合高斯模型因采用同一更新速率导致的背景模型更新错误问题.     

基于背景差分和三帧差分的运动目标检测

为了提高运动目标检测算法的准确性和对背景变化的适应性,本文采用了三帧差分与基于单高斯模型背景差分法相结合的算法,并通过最大类间方差法提取自适应阈值。引入一个新的背景更新机制,当运动物体融入背景或者背景中物体移除时,将背景更新为当前视频帧。实验结果表明,本文算法在对运动目标进行检测时,不易受背景光线变化及运动物体融入背景等因素的影响,适用于无人监控环境。     

采用时空信息的运动对象检测

针对复杂背景下的运动检测困难,提出了一种结合时域差分与尺度空间信息的运动对象检测算法。该方法首先以视频序列的第一帧作为初始背景,以相邻帧金字塔差分信息作为背景更新掩膜,并采用自适用的背景更新因子实现背景更新。在运动对象检测阶段,结合背景差信息与当前帧和背景帧金字塔差分信息,提取出运动对象。实验结果表明,该方法具有较好的实时性和自适应性,对噪声不敏感,有效提取运动对象。     

一种新的基于统计的背景减除方法

提出了一种有效的彩色视频背景减除的新方法。首先对彩色视频采样得到图像序列,统计序列中各像素的RGB值并归类,用出现概率最高类的RGB均值来构建背景模型;然后根据颜色差异和亮度范围综合条件,结合形态学处理进行背景减除。实验结果表明,此法可以很好地克服灰度视频背景减除中很难识别与背景灰度相近目标的缺陷,同时比传统的彩色视频背景建模快速,且样本中允许运动目标存在。对背景减除的准确性和实时性有一定程度地改进。该文还针对光照和背景变化提出了一些有效的背景更新策略。     

基于背景差分的核密度估计前景检测方法

针对非参数核密度估计算法前景检测不够精确、运算量大的问题,提出了一种基于背景差分图像的核密度估计前景检测方法。该方法结合了单高斯模型和核密度估计模型进行初始背景建模,利用背景差分图像,过滤掉非动态背景区域,对动态背景区域采用核密度估计进行像素分类。同时,对非动态背景区域,采用渐进式更新;对动态背景区域,采用非参数核密度估计进行更新。实验结果表明,该算法能够精确地分割出前景目标,减少了误检噪声,降低了运算量。     

基于高斯背景模型的车辆检测改进算法

针对车辆检测中实时性、准确性以及自适应性很难兼顾的问题,提出了一种快速有效的车辆检测算法。该算法采用阈值判定背景区域和更新区域,根据背景变化的程度,利用动态权值更新学习率,使用基于单高斯背景模型方法,结合逻辑"或"运算检测出车辆。实验结果表明,该算法能够快速准确地检测出车辆,并且在背景更新过程中实现了自适应,并具有一定的鲁棒性。     

车辆检测系统中背景提取与更新算法研究

为了提高车辆检测系统的车辆识别率,本文提出一种改进的Surendra背景更新算法,并在不同的环境下与系统原来使用的多帧图像平均背景更新算法进行实验比较。实验结果表明,新改进的Surendra背景更新算法比老算法有较明显的综合优势,能够荻取准确的背景,并可有效地进行背景更新,从而提高车辆识别率。     

面向实时交通视觉监控的综合动态背景更新方法

为了从复杂的交通场景中获取高质量的背景图像，提出了一种综合的动态背景更新方法。同时使用了帧差信息和提取的高层对象状态信息对混合高斯背景模型进行选择性更新，克服了因较长时间停车对背景的影响，并能及时消除由于背景物体移出造成的鬼影。对实时交通视频的处理效果表明，该方法兼具良好的自适应性与鲁棒性。     

基于差分图像分块的视频背景提取算法

为了降低背景提取算法的时间复杂度和空间复杂度,提出一种结合差分图像分块、背景减除和帧间差法的背景提取方法。对差分图像进行分块分类,提出了一种统计像素值的子块分类法,对不同类的块用不同的更新策略进行背景实时更新。该算法有效解决了背景更新过程中运动目标逗留、背景物体移入移出等问题的影响。实验结果表明该算法运算速度快、鲁棒性高、能准确地提取实时背景。