光照突变环境下运动目标检测方法研究

针对在传统目标检测中,对于光照突变环境处理能力较低的问题,提出一种结合混合高斯背景建模和三帧差分法的方法。该方法在混合高斯背景建模的基础上,采用统计法,判断是否有光照变化,对待光照突变环境中的目标检测,采用三帧差分法。同时,将检测区域分为静态区域与动态区域,对静态区域实行隔帧检测,减少程序计算量。实验结果表明,该方法能够很好地对光照突变环境下的运动目标进行检测。     

基于时空背景差的带跟踪补偿目标检测方法

视频目标检测中,光照变化、摄像机噪声和错误背景更新是目前的难题。提出一种带跟踪补偿的时空背景差彩色图像运动目标检测方法。首先,建立混合高斯背景模型,通过在彩色图像差分中加入影响因子消除光照变化;接着,通过帧间差分及邻域差分,加上运动跟踪种子补偿,获得真实运动目标的种子点;在背景差分粗前景基础上,根据连通区域运动种子点过滤法,检测出最终的真实而且完整的前景目标。通过多个实际视频监控的视频数据集的实验,结果表明该方法的目标检测准确率和完整性均有很大程度的提高。     

基于混合高斯模型和帧差法的吸烟检测算法

提出一种快速有效的基于混合高斯模型和帧差法的视频吸烟检测技术。利用混合高斯模型获取准确的背景,通过帧差分法对连续两帧的灰度图像序列进行绝对差运算,与背景相减获得运动目标区域;根据改进的转换模型将稀薄烟雾图像从RGB颜色空间转换到HSV颜色空间,对其颜色特征提取并进行分析,进一步将稀薄烟雾区域从运动目标区域中分离出来。实验结果表明,该技术不易受到周围环境的限制,灵敏度高、适用范围广。     

基于改进的混合高斯模型的目标检测

混合高斯模型已经广泛应用于背景建模中,但是结果受到噪音的干扰和光照突变的影响。为了解决这个问题,将Stauffer的混合高斯模型进行改进,当帧间差分判断出场景变化时,每个像素点的学习率会随着变化。由于边缘图像受到噪音干扰小,将这种改进的混合高斯模型也应用在边缘图像中,来提取边缘前景。边缘前景膨胀后,通过原图像的前景和边缘前景的与运算,得到最后的结果。实验结果表明,可以很好地去除噪音和解决光照突变的影响,提高了目标检测的效果,比传统方法更加有效。     

基于边缘前景的混合高斯模型目标检测

混合高斯模型已经广泛应用于背景建模中。但是检测结果受到噪音的干扰和突变光照的影响。为了解决这个问题,将Stauffer的混合高斯模型进行改进并与边缘信息相结合。当三帧差分判断出场景变化时,像素点的学习率会自适应变化。用这种改进的混合高斯模型来获取运动物体的边缘图像和前景图像。对边缘图像进行图像膨胀,再与前景图像进行与运算,通过光流信息来填补空洞部分,得到最后的结果。实验结果表明,可以很好地去除噪音和解决光照突变的影响,提高了目标检测的效果,比传统方法更加有效。     

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。     

混合高斯模型背景法的一种改进算法

针对混合高斯模型背景法的不足,提出了一种将混合高斯模型背景法与三帧差分法相结合的运动目标检测算法。利用三帧法快速检测出变化区域,提高了算法的灵敏度;引入目标是否存在的判决阈值,减低了算法的运算量;对目标区域和背景区域进行不同的混合高斯背景模型的更新策略,提高了模型的收敛速度。实验结果表明,改进的方法与混合高斯模型背景法相比其处理速度快,效果更好,适用于实时视频监控系统。     

基于改进混合高斯模型与阴影去除的目标检测

随着计算机视觉和摄像设备的日益普及,目标检测技术已经成为一个重要的研究领域。虽然提出了几种目标检测方法,但由于其适用性与局限性,并不能解决实际复杂场景中的各种挑战。针对传统混合高斯模型对动态背景、光照变化和阴影敏感等问题,提出一种混合高斯模型的改进算法,用于视频中目标检测。该方法首先通过传统混合高斯模型获取当前帧目标的粗略区域;通过将双级学习率和组合权重引入混合高斯模型,从而区分出运动区域与包含动态背景的背景区域;然后进一步利用基于颜色特性与空间连续性的方法去除阴影;最后通过形态学处理提取出准确的运动目标区域。对比实验表明,所提方法不仅能够有效去除动态背景,而且能够有效抑制阴影和光照变化的影响。     

一种结合区域直方图比较的单高斯背景建模算法的改进

背景差减法是目前常见的目标检测算法之一,使用传统的单高斯模型进行背景建模具有实时性,稳定性等优点,但当镜头发生突变时,传统的单高斯模型需要一定时间重新适应变化的背景。另一方面,移动缓慢的运动物体容易在前景检测中造成拖影现象。针对传统单高斯模型的缺点,提出一种结合区域直方图比较的单高斯模型运动目标检测算法。算法首先将视频分成若干区域,然后通过计算前后两帧相同区域的直方图距离,判断需要进行更新的背景区域,最后通过单高斯模型进行选择性更新。实验表明改进算法能够降低一定的误检率,有效抑制拖影现象的产生,并缩短单高斯模型对镜头突变的适应时间。     

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.     

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。     

混合高斯模型结合五帧差分的运动目标检测

在复杂背景下,光照变化、目标短暂遮挡以及背景运动等因素会导致运动目标检测精度较低.提出一种结合改进混合高斯模型和改进五帧差分的运动目标检测算法,首先在混合高斯模型中加入自适应学习率以及背景学习速率更新策略有效解决传统背景更新速率恒定而出现的残影现象;然后利用改进的五帧差分法克服运动目标短暂遮挡问题,并加入光照阈值判别因素,有效减弱光照变化带来的影响;最后对两者结果进行或运算进而得到最终检测结果.实验结果表明,该融合算法在复杂环境下具有一定的抗干扰能力,运动目标检测精度较高.     

基于SACON模型和五帧差分法的目标检测算法

在充分研究现有运动目标检测算法的基础上,针对当前常用运动目标检测算法易受光照和噪声的影响,不易提取完整运动目标,提出了一种新的结合SACON背景模型与五帧差分法的运动目标检测算法.对传统的SACON算法进行改进得到运动区域,与五帧差分算法提取的运动目标相结合,采用动态阈值以适应光线突变,通过孔洞填充等后处理,综合得到运动前景图像.该算法有效地处理了孔洞和噪声问题,具有很好的实时性以及抗干扰能力,能够精确地检测出运动目标.     

基于谱残差和聚类法的运动目标检测研究

传统基于特征点匹配的目标检测算法目标识别率低、误检率较高是因为特征点匹配不准确、目标轮廓不连续。针对这一问题,分别引入谱残差算法和k means聚类算法,并加以改进,提出一种基于谱残差算法和k means聚类算法的运动目标检测算法。具体方法是：首先,每隔两帧提取加速鲁棒特征SURF并对图像配准,再对帧差结果采用谱残差算法提取视觉显著性特征,去除因匹配不准确造成的噪点和伪运动目标;其次,形态学处理之后引入改进后的k means聚类算法,对不连续的轮廓进行聚类;最后形成完整的目标。实验显示,本文算法目标识别率达到90.61%,误检率达到21.25%,分别优于传统基于SURF特征的运动目标检测算法66.60%的识别率、31.91%的误检率和基于新的局部不变性特征ORB匹配的目标检测算法87.573%的识别率、26.80%的误检率。虽然该算法平均运行时间为18 fps,但仍可以满足视频流畅的需求,因此动态背景下该算法可做为一种有效的运动目标检测算法使用。     

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。     

基于背景减除法的视频序列运动目标检测

视频序列中运动目标的检测是目标识别、标记和追踪的重要组成部分,背景减除法是运动目标检测中被广泛应用的算法。针对光线变化、噪声和局部运动等影响运动目标检测效果的问题,提出一种基于背景减除法的视频序列运动目标检测算法。该算法结合背景减除法和帧间差分法,对当前帧像素点的运动状态进行判断,分别对静止和运动的像素点进行替换和更新,采用最大类间方差（Otsu）法对差分图像进行目标提取,并使用数学形态学运算去除目标中的噪声和冗余信息。实验结果表明,所提算法对于视频序列中运动目标的检测具有较好的视觉效果和较高的准确度,能够克服局部运动以及噪声等缺陷。     

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。     

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。     

基于双阈值运动区域分割的AdaBoost行人检测算法

结合单目摄像机静止拍摄的视频序列使用背景差法或AdaBoost算法检测行人时分别存在易受噪声干扰或检测速度慢的问题,提出一种双阈值运动区域分割的AdaBoost快速行人检测算法。首先建立背景帧,利用前景帧与背景帧的差分图像拟合噪声曲线,提取噪声与亮暗运动目标的阈值,消除噪声,分割出运动区域;然后通过AdaBoost学习算法选择少量有效的Haar-like弱矩形特征构造强分类器;最后在运动区域利用强分类器检测是否包含行人。实验结果表明,该方法迅速缩小了检测范围,加快了检测速度,降低了误检率。     

融合帧差和Vibe的运动目标检测算法

Vibe算法是一种快速高效的背景建模算法,但该算法在运动目标检测过程中会产生鬼影。本文针对Vibe算法中鬼影消除缓慢的问题,结合多个场景的交通视频提出一种通过连续两帧前景背景像素时域变化来判断鬼影像素点并消除的方法,该方法加快了鬼影的消除速度。同时,对于视频拍摄场景中的背景噪声,采用了对前景图进行开闭操作去除小像素点以及对目标区域的空洞进行填充处理。实验表明,改进的Vibe算法能够加快鬼影的消除,并且与帧差法以及混合高斯建模算法相比,前景检测效果更精确。