基于混合高斯模型优化的运动人体跟踪方法

复杂背景下运动人体目标的自动检测与跟踪效果常易受环境光线变化的干扰.面向变光线环境下运动人体检测与跟踪,提出一种基于混合高斯模型优化的Camshift检测跟踪算法,首先采用混合高斯模型进行前景建模,将外界扰动作为背景信息进行处理;然后进行色彩空间转换并计算反向投影值,进一步利用Meanshift迭代定位运动目标;最后,通过更新混合高斯模型及后续帧的处理保持人体目标的有效检测及跟踪.实验结果表明,该方法相较于传统的光流方法及Camshift算法,可更好地适应环境光线变化及枝叶晃动影响,较好地获取运动目标前景信息,提高运动人体目标的检测及跟踪精度.     

基于快速的混合高斯模型的运动目标检测算法

针对传统高斯模型实时性差的问题,该文提出了一种快速的背景更新策略.首先对彩色图像建立混合高斯模型,根据场景中象素点的稳定性来调整模型参数的更新速度;其次利用混合颜色空间的阴影检测算法消除前景图像的运动阴影;最后对该文方法进行了验证性实验,结果表明提出的运动目标检测方法有效、实时性好、对光照有较强鲁棒性.     

视频运动目标检测与跟踪算法研究及OpenCV实现

针对固定场景,给出了一种视频运动目标检测和跟踪算法.利用混合高斯建模的背景差分法,在复杂背景条件下提取出运动目标,并采用颜色直方图模型为特征的均值平移法,对目标进行跟踪.经OpenCV编程测试,算法可以准确地跟踪运动目标.     

基于不同颜色空间的运动目标检测算法分析

视频图像运动目标检测是有效分类和跟踪运动物体的关键步骤。对于彩色图像,大多选择颜色特征作为运动目标的检测标准,而不同的颜色空间反映图像的信息不同。为此,本文分析了运动目标在多种颜色空间下的信息变化情况,以及不同色彩空间下的像素特征对目标检测算法性能的影响;比较了复杂背景环境下,基于不同颜色空间特征值的混合高斯模型算法的背景减除效果,以期为多种典型环境下颜色特征优选和算法优化提供理论基础和实践指导。实验结果表明:在RGB、YCrCb、HSV和Lab四种不同颜色空间中,基于Lab颜色空间的运动目标检测算法具有更高的检测率和更低的误检率,是一种能抗背景光干扰、适应能力较强、鲁棒性较好的检测算法。     

一种改进的运动目标检测算法

针对目标检测过程中的背景变化、光照变化、阴影对检测的影响,提出了一种改进的运动目标检测算法。首先利用改进的统计方法建立了目标的背景模型,并实时地对背景模型进行更新,最后将检测出的目标采用融合HSV颜色信息和纹理特征的混合高斯阴影模型方法来去除阴影。实验结果证明,该算法在场景中有目标运动的情况下。能够准确地建立背景模型,并能去除阴影影响,提高系统的检测准确性。     

基于核密度估计的遮挡人体跟踪

充分利用空间、颜色、运动等信息对图像进行块建模、颜色建模和运动建模.通过混合高斯建模法,将运动人体的前景信息提取出来;基于Epanechnikov核密度梯度估计算法,对存储模型中的人体进行聚类,实现块建模;采用非参数的核密度估计算法和基于高斯分布的运动建模,分别获取颜色密度函数和运动密度函数,并利用颜色密度函数和运动密度函数对当前帧的前景区域进行后验概率估计,以获取后验概率图像,根据对该图像中遮挡人体进行分割以实现人体目标的跟踪.实验结果表明:基于核密度估计的遮挡人体目标跟踪算法有效地解决了遮挡人体目标跟踪问题.     

交通流视频检测中背景模型与阴影检测算法

提出了基于对象级的混合高斯背景模型更新方法与基于RGB颜色变化度的运动阴影检测算法。根据运动分割、物体识别、Kalman运动跟踪等高层语义表达,结合像素的时空特性,进行基于对象级的混合高斯背景更新。克服了像素级混合高斯模型中交通控制信号或交通阻塞等造成的长时间停车以及交通高峰期交通拥挤等情况下对背景抽取造成的影响;根据运动目标的RGB颜色变化度特点,提出自适应的对象级运动阴影检测算法,克服了运动阴影的影响及其造成的误分类。不同交通状态下的视频处理效果表明,该方法具有良好的鲁捧性和自适应性。     

基于Walsh-hadamard变换的混合高斯背景模型

混合高斯背景建模技术及其改进算法有效地解决了光照渐变和周期性动态背景条件下的运动目标检测问题。但是,当场景存在光照突变时检测准确率将大大降低。为此,提出一种基于Walsh-hadamard变换的混合高斯背景模型。该模型从颜色、边缘和纹理来描述背景区域的特征,较全面地刻画出了背景的本质属性,同时对前景目标有着非常好的区分力。实验证明:该方法较有效地解决了传统GMM中存在的问题,并为后续视觉分析打下了基础。     

AKAZE与高斯混合模型相融合的运动目标检测算法

传统高斯混合模型在抖动干扰下无法取得理想的运动目标检测效果,但实际的各种复杂情况下摄像系统均会存在抖动。针对这一问题,文中提出一种抖动干扰下运动目标检测算法：首先利用基于 AKAZE 特征点匹配算法,进行动态图像精确配准,消除图像抖动,做出运动补偿;其次利用高斯混合模型对配准后的视频序列进行运动目标检测,然后利用三帧差分技术对检测出的运动目标轮廓进一步补偿;最后使用连通域分析补全运动目标。实验表明,本文提出的方法能够满足检测要求,可以在抖动干扰下有效检测出运动目标。     

基于自适应学习率的运动目标高效检测算法

该文提出了一种改进的基于自适应学习率高斯建模的三帧差分算法。通过基于自适应学习率的混合高斯背景建模,实现背景模型的自适应修正,保证算法在动态环境中能完整提取目标内部信息。其次,采用基于边缘提取的三帧差分改进算法,完成对目标轮廓的快速提取,并以此作为目标图像的边缘补充。实验结果表明,该算法能够完整提取运动目标,并保证目标边缘的连续与平滑,同时检测的速度得到提升,可广泛应用于智能监控、医疗等领域。     

集成多特征信息的运动阴影检测

为实现监控场景中运动目标和阴影的准确分割,提出了一种基于GMM和MRF的运动阴影检测与消除算法.首先,利用GMM的学习能力建立背景统计模型并得到前景区域像素集合.其次,将前景区域与对应背景区域间的颜色、边界、纹理和时空一致性等特征信息集成到马尔可夫随机场能量函数中,并利用图割算法实现马尔科夫随机场能量函数的最小化,得到...     

基于改进的混合高斯模型背景减除算法

背景减除法常采用混合高斯模型作为背景模型来进行目标检测,它可以自适应学习并表示分布复杂的背景.混合高斯模型在光线变化缓慢的情况下表现很好,但是在光线快速变化的情况下,由于高斯背景无快速更新机制,无法应对光线迅速变化的情况.通过对混合高斯模型进行优化,提出了一种改进的混合高斯模型检测算法,并通过实验证明了新算法明显提高了运动目标检测的准确度.     

基于Canny算子的白酒显微图像边缘提取

文章提出了一种改进的Canny算子和数学形态学相结合的白酒显微图像边缘检测方法。首先采用二维高斯函数的一阶偏导数同时构造x和y方向滤波器计算梯度幅值,然后通过四阈值边缘检测方法进行边缘定位,最后引入了数学形态学对边缘进行融合。实验仿真表明,该方法对酒分子结构边缘检测精度较准、抗噪性能良好,能有效的克服图像边缘模糊与断点,提高了边缘的连续性。     

基于HSV空间的彩色边缘检测

为了克服在颜色亮度差别大的情况下,传统柱坐标模型下的欧氏距离不能合理分辨颜色的缺点,根据饱和度对亮度进行变换,提高了模型的准确性.并在此颜色距离模型下设计了一种彩色Min边缘检测算子,有效地提取了图像的边缘信息.实验证明该方法可以合理分辨不同的颜色,有效提取图像的彩色边缘信息,并能克服非均匀光照所带来的影响.     

基于统计模型和活动轮廓的运动目标检测与跟踪

提出了一种静止背景视频序列中运动目标的检测与跟踪方法.对连续两帧图像序列作差分计算,对差分图像的灰度分布建立混和高斯模型(GMM),采用期望最大化(EM)算法估计模型参数,并引入基于GMM模型的边界检测算子,进而构造运动边界图像.改进静态图像轮廓提取算法GVF-Snake,利用运动边界图像修改GVF-Snake的能量项,使其能够提取视频序列中运动目标的轮廓.采用一种根据目标区域自动初始化轮廓的方法解决Snake初始轮廓需要手工设定的问题,采用一阶差分预测算法加快轮廓收敛速度.利用改进的GVF-Snake算法对运动目标进行检测与跟踪,结果表明,该算法对刚性和非刚性两类目标都具有较好的检测与跟踪效果.     

Canny色彩边缘检测及分类新方法

为了解决传统边缘检测方法可能造成的边缘丢失、边缘定位不准、伪边缘、边缘不连续等问题,提出一种改进的Canny算子,用色彩张量表示光照准不变微分式,计算出新的图像边缘的梯度幅值,从而实现彩色图像边缘的精确提取.实验结果表明,改进的Canny检测器可以检测并分类各种色彩边缘.利用边缘检测品质因数Q改进Canny检测器的性能,并进行定量评价,结果表明,该方法降低了色彩边缘检测的误检率和错检率,有效提高了边缘检测器的性能.     

面向监控视频检索的关键运动对象提取

该文提出了一种基于运动对象外观模型的分层聚类算法,用于从对应同一轨迹的运动对象序列中提取关键对象。采用边方向直方图和主颜色直方图描述运动对象的特征,兼顾形状和颜色特征的全局与局部变化。实验表明,使用该方法提取的关键对象数量较少,且能较好地反映运动目标的形态变化。     

基于彩色形态学的图像边缘检测算法

基于对彩色图像形态学的研究,提出了一种面向HSI颜色空间的多结构元多尺度的彩色形态学图像边缘检测算法。首先借助彩色形态学的膨胀、腐蚀、开运算和闭运算给出彩色多结构交替顺序滤波算子的相关定义,同时利用交替顺序滤波器（ASF）的优势得到一种混合滤波器（HF）对图像进行滤波;其次引入一种全方位形态结构元再结合多尺度结构元的思想对图像不同方向的边缘进行提取;最后再使用信息熵对各方向的边缘进行融合得到图像整体边缘信息。实验表明,所提出的算法不仅具有良好的抗噪性,而且能够保留更多的图像细节信息。