应用改进混合高斯模型的运动目标检测

在运动目标检测过程中,背景建模对目标提取至关重要,而混合高斯模型是目前背景建模中较流行的方法之一。针对混合高斯模型中存在的不足做了两点改进：（1）混合高斯模型是对各点孤立建模,对于拥有较高的分辨率的图像运算量较大,引入分块建模思想,可以明显提高目标检测的速率而且考虑到像素点之间的空域信息;（2）混合高斯模型对运动目标停留在场景中某一位置停留过长时,会出现将前景转化成背景,以致于产生目标在场景中消失的现象,根据目标在场景中运动与静止的情况,决定是整帧更新还是只更新背景区域。通过实验可以得出,该算法在不影响识别的情况下可以显著地提高运动目标的检测速率,而且可以减少部分噪声,另外也能有效地克服目标转化为背景的情况,从而保持了运动目标出现的连续性。     

基于改进混合高斯模型的运动目标检测算法

在运动目标停滞的情况下,传统的混合高斯模型会将运动目标误判为背景,导致目标漏检。为此,提出一种基于改进混合高斯模型的目标检测算法。引入背景学习参数,结合前一帧的检测结果自适应地更新背景,从而提取完整的运动目标。利用像素的八连通区域信息抑制噪声,提高算法在复杂环境中的稳定性。实验结果表明,与传统检测方法相比,该算法能够在复杂环境中准确地检测出短暂停滞的运动目标。     

改进混合高斯模型的运动目标检测算法

针对传统的混合高斯模型存在无法完整检测运动目标、易将背景显露区检测为前景等问题,提出了一种基于混合高斯模型的运动目标检测的改进算法。通过将混合高斯模型与改进帧差法进行融合,快速区分出背景显露区和运动目标区,从而提取出完整的运动目标。在运动目标由静止缓慢转为运动的情况下,为背景显露区给予较大背景更新速率,消除了背景显露区对运动目标检测的影响。在兼顾混合高斯模型在复杂场景中对噪声处理效果差的基础上,利用背景模型替换的方法来提高算法的稳定性。经过反复实验,结果表明改进后的算法在自适应性、正确率、实时性、实用性等方面有了很大的改进,能够在各种复杂因素存在的情况下正确有效地对运动目标进行检测。     

改进的基于高斯混合模型的运动目标检测算法

针对固定场景视频监控中,由于运动物体在运动目标检测算法初始化时的存在而导致传统的基于高斯混合模型的运动目标检测算法收敛速度慢的问题,提出了改进算法。该改进算法通过采用在线K-均值聚类方法对混合高斯模型进行初始化,提高了算法的收敛速度。同时在模型更新时,通过对匹配准则和新高斯分布生成准则的改进,节约了存储空间。实验结果表明,与传统算法相比,改进算法能够快速、有效地检测运动目标,具有更好的鲁棒性。     

基于改进的混合高斯模型的运动目标检测

针对现有方法在复杂多变环境下不能很好地检测出运动物体的问题,提出了改进的基于混合高斯模型的背景消减法,并对运动目标进行检测。模型初始化时,提出了一种能准确得到实际背景模型的方法;在模型更新中引入了加速因子和合理性反馈使得模型能更快、更准确地反应真实的背景。实验结果表明,同传统检测方法相比,改进的混合高斯模型方法能有效地消除物体发生运动时产生的拖影,并能很好地检测出运动物体。     

改进混合高斯模型的运动目标检测算法

针对传统的混合高斯模型存在无法完整检测运动目标、易将背景显露区检测为前景等问题,提出了一种基于混合高斯模型的运动目标检测的改进算法。通过将混合高斯模型与改进帧差法进行融合,快速区分出背景显露区和运动目标区,从而提取出完整的运动目标。在运动目标由静止缓慢转为运动的情况下,为背景显露区给予较大背景更新速率,消除了背景显露区对运动目标检测的影响。在兼顾混合高斯模型在复杂场景中对噪声处理效果差的基础上,利用背景模型替换的方法来提高算法的稳定性。经过反复实验,结果表明改进后的算法在自适应性、正确率、实时性、实用性等方面有了很大的改进,能够在各种复杂因素存在的情况下正确有效地对运动目标进行检测。     

基于改进的混合高斯模型的运动目标检测

提出了一种改进的混合高斯背景模型方法,克服了传统混合高斯背景建模方法计算时间长的缺点。通过对视频图像中运动目标区域进行背景建模,减小了每一帧的背景建模区域,同时在提取运动目标区域前先对初提取的前景目标进行中值滤波,减小运动目标区域的范围,进一步压缩了背景建模的时间。最后通过与时间平均背景建模和传统混合高斯背景建模方法进行比较,验证了本文算法的高效性。     

改进的基于混合高斯模型的运动目标检测算法

针对传统混合高斯模型检测运动目标中存在的不足,提出了一种改进的基于混合高斯模型的运动目标检测算法。将改进的混合高斯模型与四帧差分相结合,有效地解决了突变光照的影响并消除了传统帧差法检测目标时容易出现的双影现象,改进的混合高斯模型自适应地调整了高斯模型的分布数量,提高了背景的描述精度。分情况讨论了物体的运动状态并分别设置不同的学习率,改善了对运动缓慢目标的检测效果。实验结果表明结合后的算法能对运动目标进行准确检测,对复杂场景有较好的适应性。     

基于改进的高斯混合模型的运动目标检测

运动目标检测是实现目标跟踪、视频监控的基础.针对基于高斯混合模型的运动目标检测算法的不足,提出了一种基于分块思想和高斯模型个数自适应的改进高斯混合算法.利用对视频图像分块的思想,在提高目标检测效率的同时,实现对视频的滤波处理;并利用高斯混合模型中高斯分布个数自适应操作来降低算法复杂度,提高运动目标检测的速度.实验结果表明:该算法比传统高斯混合模型运动目标检测算法具有更快的检测速度和更好的检测效果,并降低了检测噪声,能有效地检测运动目标,适用于运动目标的实时检测.     

一种改进的基于混合高斯模型的运动目标检测算法

运动目标检测是实现目标跟踪和行为分析等任务的基础。在运动目标检测中,消除背景与噪声的干扰,从而将运动目标从图像中分离出来一直是研究的重点。混合高斯模型法被广泛地应用于运动目标检测,对存在小幅度运动的背景有较好的抗干扰能力,并且能提取出较完整的运动目标,但是同时存在噪声干扰,且对阴影抑制效果较差。针对传统混合高斯模型法的不足,提出一种改进的基于混合高斯模型的运动目标检测算法,利用帧差法对光照突变适应性较好和算法简单的特点,将传统混合高斯模型法与和四帧差法结合。实验结果表明,该方法能够有效地消除复杂环境中的噪声,并对阴影有一定的抑制作用,提高了运动目标检测的准确性和完整性。     

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。     

多机动目标跟踪的IMM-GMPHD滤波算法

针对现有多机动目标跟踪算法精度低、计算量大、约束条件苛刻等问题,本文将高斯混合概率假设密度(Gaussian Mixture PHD,GM-PHD)滤波器和交互式多模型(Interacting Multiple Model,IMM)相结合,提出交互式多模型GM-PHD(Interacting Multiple Mode...     

基于改进混合高斯模型的运动目标检测方法

针对传统高斯模型易将背景显露区域检测为前景问题与对复杂场景下噪音处理效果差的缺陷,提出了一种混合了三帧差算法的改进混合高斯模型算法. 利用三帧差算法快速确定背景显露区域与前景的优势,提高了算法对背景显露区域的适应性;提出一种背景模式邻域更新法,提高了对复杂背景噪音的抗干扰性. 通过实验证明,该算法与传统方法相比,在复杂背景下减少了大量噪音,学习周期短,提高了对天气、摄像头震动等干扰的抗性,优化了背景显露引起的“影子”噪音问题.     

基于粒子滤波的交互式多模型多机动目标跟踪

针对交互式多模型联合概率数据关联滤波算法(IMM-JPDAF)在非线性情况下跟踪精度低,并不适用于非高斯问题的情况,提出了一种基于粒子滤波的交互式多模型多机动目标跟踪算法;将交互式多模型联合概率数据关联(IMM-JPDA)与粒子滤波相结合,在交互式多模型联合概率数据关联的框架下,各模型采用粒子滤波算法处理非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差。仿真结果表明,IMM-JPDA-PF算法的跟踪性能明显优于IMM-JPDAF算法,能够对杂波环境中的多机动目标进行有效跟踪。     

基于差分法与改进活动轮廓模型的追踪算法

为了准确、快速地检测和追踪运动目标,提出差分法与改进的活动轮廓(snake)模型相结合的目标追踪算法。建立当前帧与前一帧的差分图像,判断目标的大概运动范围。在运动范围周围设定初始化曲线,用改进的snake模型进行目标拟合。采用帧差法测定运动范围,避免了snake初始化曲线人为选定的缺点,改进的snake模型使拟合结果更加准确。实验结果验证了该算法的有效性。     

基于运动信息和再匹配的多目标追踪

随着目标检测模型的日趋成熟,基于检测的追踪成为多目标追踪研究的主要方向.借助几乎完美的目标检测结果,在数据关联时可以采用只使用IoU信息的方法.但是在实际使用中,少量丢失的检测会造成大量的身份互换和轨迹断裂,进而严重影响追踪效果.针对这一问题,该算法引入图像信息,使用IoU模型进行初步追踪,结合行人特征向量对初步追踪的...     

一种基于高斯混合模型的轨迹预测算法

在智能交通控制系统、军事数字化战场、辅助驾驶系统中,实时、精确、可靠的移动对象不确定性轨迹预测具有极高的应用价值.智能轨迹预测不仅可以提供精准的基于位置的服务,而且可以提前监测和预判交通状况,进而推荐最佳路线,已经成为移动对象数据库研究的热点,亟需设计准确而高效的位置预测方法.针对现有方法的不足,提出了基于高斯混合模型的轨迹预测方法GMTP,主要步骤包括:(1) 针对复杂运动模式利用高斯混合模型建模;(2) 利用高斯混合模型计算不同运动模式的概率分布,进而将轨迹数据划分为不同分量;(3) 利用高斯过程回归预测移动对象最可能的运动轨迹.GMTP是高斯非线性概率统计模型,其优势在于:计算结果不仅是位置预测值,更是关于移动对象未来所有可能运动轨迹的概率分布,可以利用概率统计分布特性获得某种运动模式(如匀加速运动)下的位置预测.大量真实轨迹数据集上的实验结果表明:与相同参数设置下的高斯回归预测和卡尔曼滤波预测法相比,GMTP的预测准确性平均提高了22.2%和23.8%,预测时间平均缩减了92.7%和95.9%.