一种改进的高斯混合背景模型算法及仿真

高斯混合模型广泛应用于基于背景建模的运动目标检测中,高斯混合模型参数估计和更新算法影响到背景模型的性能.文中对传统的高斯混合背景模型进行了改进,针对背景局部运动、活动阴影等问题,采用混合色彩值抑制阴影,在背景更新中引入一个"前景支撑映射"(Foreground Support Map, FSB),较好地解决了背景模型的提取、更新、背景扰动、外界光照变化等问题.实验结果证明,实验结果验证了该方法的有效性和在复杂背景变化下的鲁棒性.     

改进的混合高斯模型及阴影消除方法

为了有效减少运动目标检测中混合高斯模型的计算量和提高阴影消除的准确性,提出了一种选择性地更新混合高斯模型和基于亮度变化消除阴影的方法。首先,在各个高斯分布进行更新之前,先将其权值与不属于背景的高斯分布的比重进行比较,若前者较大,则此高斯分布不更新,反之则更新;然后,在阴影消除时,将亮度的变化程度作为阴影检测阈值的一个因子,以使其随亮度变化自适应地做出调整。最后,将该方法与传统方法在室内外视频条件下进行了实验对比,结果表明该方法的计算时间约为传统方法的1/3,阴影消除更加准确。     

基于DM642的运动目标检测

提出了一种高斯混合背景模型和YUV色度空间相结合的运动目标检测算法。高斯混合模型对背景光线变化有较强的鲁棒性,且对背景中的周期性变化有较好的抑制作用,检测出的目标有较好的连通性;但其对于全局亮度的变化及噪声较为敏感,容易误判。为此选取对亮度变化不敏感的UV分量来进行运动目标检测,然后再和Y分量的高斯混合背景检测进行"与"运算,从而消除高斯模型的误检,最后针对运动目标的影子问题,采用基于垂直投影图的阴影消除算法除去影子。算法在DM642开发板上实现。实验结果表明,该算法能够实时精确地检测出运动目标,且对全局光照变化不敏感。     

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.     

光照突变环境下基于高斯混合模型和梯度信息的视频分割

基于高斯混合模型和帧间梯度信息提出了一种新的运动目标分割算法。首先,在利用亮度信息对背景建立自适应高斯混合模型的基础上,进行前景的粗分割;其次,由于视频信号的亮度和色彩分量随光照突变有较大的改变,导致大片背景的高斯模型产生错误匹配,误判为前景,为了提高高斯模型分割算法的鲁棒性,结合结构梯度互相关函数对分割结果进一步校正,能适应剧烈的光照变化;最后,利用数学形态学进行后处理,消除影子和孤立的噪声点。通过不同场景的运动分割实验结果表明,该算法在复杂背景和剧烈光照变化条件下具有较强的鲁棒性和较高的分割精度。     

基于混合高斯模型的Mean-Shift模板更新算法

针对基于Mean-Shift目标跟踪算法中遇到的不能对模板进行实时更新的问题,提出一个基于混合高斯背景建模的目标模板更新算法.该算法将目标视为背景,对目标中的每一个像素点利用三个高斯函数对它进行建模,利用每次Mean-Shift跟踪到的目标区域来对先前建立的混合高斯模型进行实时更新,将混合高斯模型得到的目标模板作为下一帧跟踪的目标模板.该算法较好地解决了基于Mean-Shift算法的模板更新问题,实验证明该算法是有效的.     

改进的自适应混合高斯前景检测方法

针对混合高斯背景模型计算量大、存在阴影和鬼影的不足,提出一种基于混合高斯模型的改进前景检测算法。通过分析背景的稳定性来选择连续或隔帧更新方式对背景模型中的参数进行更新,提高算法的运算速度。在背景更新方面,让更新率与权值相关联从而使更新率随权值改变并且对目标移动后显露的背景像素给予更大的更新率,提高背景的稳定性并解决鬼影现象及前景与背景转化的问题。对检测出的目标,用适应性更高的RGB颜色空间畸变模型进行阴影检测和消除,并进行高斯金字塔滤波和形态学滤波处理,以得到更好的前景目标。实验结果表明,该方法能提高算法的计算效率且准确地分割前景目标。     

混合高斯模型运动检测算法优化

针对经典混合高斯算法对非平稳场景过于敏感的问题, 提出了混合高斯模型运动检测算法的优化方法。在检测算法流程的匹配高斯模态选择、模型更新和背景显示上分别作了优化：综合考虑模态权重与模态自身匹配度, 选择匹配高斯模态; 统一初始化与检测过程中的模型更新, 即使视频检测的背景变化较大, 系统也能较快地建立理想背景模型; 综合考虑背景模型各模态分布, 清楚反映了背景模型的具体分布。实验结果表明, 与经典混合高斯算法相比, 优化算法在克服背景扰动、降低误检率上表现良好, 有效提高了混合高斯算法对场景变化的适应性。优化算法在实际工程应用中效果良好。     

结合三帧差分与改进混合高斯模型的运动目标

针对混合高斯模型对于噪声与光照变化检测效果不佳的问题,文章提出了结合三帧差分与改进型混合高斯模型的运动目标检测方法.该方法先通过三帧差分快速获取一副背景图像,然后将该背景图像按一定的比例更新到混合高斯模型主背景分布中,再按照改进的混合高斯模型进行背景提取,最后得到前景图像.实验结果表明,利用改进的混合高斯模型算法,提高了算法检测的准确度,并且结合三帧差分法能有效解决噪声与光照变化问题,提高了算法的鲁棒性.     

一种改进的运动目标精确检测算法

针对传统混合高斯背景模型在多变场景下因背景模型更新不及时而存在的误检、漏检等不足,提出一种改进算法.该算法首先通过在高斯分布匹配过程中结合帧间差分获取的帧间未变化区域与变化区域判断像素点的区域类别,然后根据不同的像素区域类别执行不同的背景更新策略,使背景的更新及时准确地反映背景的变化.实验结果表明,该改进混合高斯背景模型算法能有效地解决因目标和背景相互转化而出现的拖尾、影子以及运动目标空洞等问题.     

基于改进高斯混合模型的运动目标检测方法

传统高斯混合模型(GMM)对于光照突变十分敏感,且收敛速度较慢。为此,提出一种基于改进GMM的运动目标检测方法。利用不匹配像素消除光照影响,使用改进的GMM提取背景图像。通过差分当前帧与背景图像获得二值差分图像,从该差分图像中获取运动目标。实验结果表明,该方法能适应光照变化,提高检测的准确性和鲁棒性。     

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。     

复杂条件下高斯混合模型的自适应背景更新

针对高斯混合模型背景更新中面临的光照突变和目标与背景相互转化的问题,提出一种分情况分区域的背景自适应更新算法。首先根据当前检测目标的面积大小判别是否发生光照突变情况,采取针对性更新策略,对于未发生光照突变情况再分背景区域和目标区域分别进行背景自适应更新。其中,重点讨论了目标区域的背景更新问题,提出根据目标尺寸、运动速度和匹配次数等特征参数来调整目标区域的背景更新速率。仿真结果表明,该算法在保证了目标检测完整性的同时,提高了模型对背景变化的适应能力。     

融合时空信息的运动目标检测算法

传统运动目标检测算法在处理诸如树叶晃动、水面波纹等动态场景时效果不理想。为此,针对动态场景下所存在的背景扰动问题,提出一种融合时间和空间信息的运动目标检测算法。该算法通过增量式主成分分析提取空间上图像的背景信息,结合三帧差分法所提取的时域信息进行融合决策以提取运动目标。实验结果表明,该算法能够在动态场景中有效提取运动目标,且检测结果优于混合高斯模型算法。     

基于GLRT的光学卫星遥感图像舰船目标检测

传统的CFAR检测应用到光学卫星遥感图像舰船目标检测中时不能对黑极性目标进行判断,针对此提出改进的基于广义似然比检验(Generalized Likelihood Ratio Test,GLRT)的舰船目标检测算法。该算法采用滑动窗口检测形式,在假设背景和目标灰度均服从高斯分布的前提下,通过GLRT判断背景窗口与目标窗口是否同分布来检测目标,兼顾了目标黑白两种极性的情况。算法实现中对图像进行了分块检测,并通过形态学处理对检测结果进行了目标聚类。采用SPOT5与CBERS实测数据进行实验,验证了海背景服从高斯分布的假设。典型数据检测结果表明,该算法可以检测黑极性目标,且相比CFAR虚警率更低,大量数据计算ROC曲线的结果以及比CFAR检测少约40%的耗时进一步表明该算法性能更优。     

运动目标检测中的环境感知与自适应研究

在复杂环境下,任何环境的改变都会对运动目标检测的准确性产生影响。因此提出广义高斯混合模型与背景减除法相结合的算法对运动目标进行检测。该模型可以灵活地感知环境,自适应地处理视频背景模型中背景的环境变化,如光线渐变、背景扰动、阴影和噪声等,而且当光线突变时可以迅速感知并重新建模。此外为了满足实时性,采取每隔3帧进行一次背景更新的策略。实验结果证明本算法在满足实时性的同时,能准确检测出运动目标。     

Target detection algorithm for dance moving images based on sensor and motion capture data

The effectiveness of classification based on motion capture data to identify the human skeleton dance types. The goal is based on the body joint's information is to perform the characteristic posture obtained by the ultra-high Kinect sensor, identifying for each dance. The proposed Target Detection (TD) algorithm is used to dance moving object identification based on the improved Gaussian Mixture Model (GMM). The proposed Target Detection (TD) algorithm based on a Gaussian Mixture Model is a widely used method for modeling background from a Kinect sensor moving objects. The used data set contains six folk dance sequences and their variations. Gesture recognition scheme using a plurality of time constraints, spatial information, and spatial distribution characteristics to create a training data set appropriate application. The Gaussian Mixed Model distribution background model account, the algorithm, and their frame difference can be extracted in straight lines to obtain target dance areas with less background and background photo station under motor damage conditions. Through real-time Target Detection (TD) algorithm dance moving images based on the Gaussian Mixture Model (GMM), these two algorithms effectively detect dance moving image targets.     

基于聚类和排序高斯混合模型的说话人确认

基于高斯混合模型(GMM)-通用背景模型(UBM)结构的说话人确认系统不能完全表现说话人的个性特征信息。为此,将聚类方法和排序高斯混合模型相结合,对每个高斯分量按照对应排序值顺序排列,并对UBM进行训练。基于NIST 06 8side-1side数据库的实验结果表明,该方法能在基本保持系统识别性能的前提下,降低UBM的训练运算量。     

一种用于运动目标检测的快速收敛混合高斯模型

背景模型是交通监控视频中检测运动目标的一种常用方法。混合高斯模型在训练背景模型的过程中效果良好,但其收敛速度较慢。目前各种改进模型,只是提高其初始化的收敛速度;为了加快检测过程中背景改变时的收敛速度,必须实时检测背景是否发生改变,若改变,则需要对模型重新进行初始化。基于以上情况,提出了一种改进的混合高斯模型,该模型不需要重新初始化,避免了实时检测背景是否发生改变的多余步骤,实验结果明显著提高了检测过程中的收敛速度。     

光照和尺度自适应的Mean Shift人脸跟踪算法

针对原始Mean Shift算法易受光照强度影响及跟踪窗口不随目标尺度自适应变化的问题,提出了一种光照和尺度自适应的Mean Shift人脸跟踪算法。该算法将颜色特征与光照不变性特征局部二值模式结合起来共同表征人脸,增强了复杂背景下目标的跟踪性能,利用矩特征和巴氏系数估计目标的真实尺度,提高了人脸发生较大形变时的适应能力。实验结果表明,提出的算法比传统的基于颜色直方图的Mean Shift算法具有更准确的跟踪结果。