复杂背景下改进视觉背景提取的前景检测算法

针对视觉背景提取模型存在的鬼影抑制效果差、动态背景适应能力不足等问题,本文提出了一种改进的视觉背景提取模型算法。在模型构建阶段,该算法充分融合时空域信息初始化背景模型,避免了样本的重复选取,提高了鬼影抑制能力;在像素分类阶段,根据背景动态程度,引入自适应距离阈值代替全局固定阈值,增强了模型对动态背景的适应性;在背景更新阶段,对连续多帧判定为前景的像素点进行阈值判断,并及时更新到背景模型,消除了运动背景与静止前景造成的虚影现象。多个公开视频数据的测试结果表明,本文算法相比典型算法在复杂背景下检测的准确性和鲁棒性都有了很大提高。     

改进视觉背景提取模型的前景目标检测算法

针对经典视觉背景提取算法（ViBe）在动态背景场景下检测精度不高,以及长时间存在鬼影的问题,提出一种改进的视觉背景提取算法.该方法在背景模型初始化阶段考虑到像素点之间的颜色相似性以及空间距离,选取像素点邻域内的同质像素点对背景模型进行初始化;根据场景动态程度自适应调整每个像素点的阈值以及背景模型更新的速率,改善了在动态背景场景下的检测精度;根据光流判断像素点是否存在运动来把真实前景目标和鬼影区分开来并及时对背景模型进行修正,从而尽快消除鬼影现象.使用changedection测试集进行测试,改进后的ViBe算法在能提取到较完整前景目标的同时,检测准确率相比原始ViBe算法也有所提高.     

改进视觉背景提取模型的运动目标检测算法

针对视觉背景提取模型对动态场景适应性不强、运动目标检测精度低等问题,提出一种改进的视觉背景模型算法.在模型建立与初始化阶段,采用按序抽取的方法将像素点本身信息加入到背景模型中,形成邻域背景模型,降低复杂场景对模型的影响;在前景检测阶段,结合像素点的空间邻域信息自适应地获取分割阈值,减少各类复杂场景对检测结果的干扰,提高运动目标检测的精度;在背景更新阶段,根据场景复杂度动态地调整模型的更新周期与更新方式,使得模型能够有效地消除虚影与背景噪声的影响,增强模型对复杂场景的适应性与鲁棒性.与典型算法进行对比的实验结果表明,该算法具备较高的检测精度,适用于动态场景中的运动目标检测.     

基于视觉背景提取的自适应运动目标提取算法

在复杂场景下的视频运动目标提取是视频分析技术的首要工作。为了解决前景运动目标提取的精确度不高的问题,提出一种基于视觉背景提取(ViBE)的改进视频运动目标提取算法(ViBE⁺)。首先,在背景模型初始化阶段采用像素的菱形邻域来简化样本信息;其次,在前景运动目标提取阶段引入自适应分割阈值来适应场景的动态变化;最后,在更新阶段提出背景重建和调整更新因子方法来处理光照变化的情形。实验结果表明,对于复杂视频场景LightSwitch的运动目标提取结果在相似度指标上,改进后的算法与混合高斯模型(GMM)算法、码本模型算法以及原始ViBE算法相比,分别提高了1.3倍、1.9倍以及3.8倍。所提算法能够在有效时间内对复杂场景具有较好的自适应性,且性能明显优于对比算法。     

一种改进的视觉背景提取算法研究

针对视觉背景提取(ViBe)算法在初始化背景模型时易产生鬼影以及对户外动态场景适应能力差、检测精度低等问题,在算法初始化阶段,通过采用前景点计数的方法,统计静止像素点占前景块的百分比,有效抑制了鬼影的产生,提高了算法检测精度;在前景检测阶段,根据场景的动态程度自适应调整阈值,提高了算法对动态背景的适应能力.实验表明:与原算法相比,在动态场景中算法检测精度提高了20%以上.     

改进视觉背景提取ViBe算法的目标检测

针对视觉背景提取ViBe算法消除鬼影时间长、对动态场景适应性弱、对光线变化敏感等问题,提出一种适应性强的改进算法。在背景模型初始化时,通过对多帧图像随机选取像素点并累加判断后,形成与实际吻合度达86.78%的背景模型;提出衡量背景动态程度因子,根据其值获取图像的自适应聚类、更新阈值,提高了算法在动态背景下的检测精度;考虑到光线变化对检测结果的影响,提出衡量图像亮度因子并应用于聚类检测,增强了算法对光照的鲁棒性。与其他算法进行对比实验后表明,改进算法在不同场景中能有效检测目标物体,具有较好的适应性。     

基于改进视觉背景提取算法的运动目标检测

针对经典视觉背景提取算法因初始帧存在运动目标易产生鬼影以及对扰动背景适应性差的问题,提出一种改进ViBe算法;利用改进三帧差分法和最小外接矩形定位初始帧运动目标,并通过局部初始化的方法进行鬼影抑制;在背景模型初始化阶段,定义灰度相似函数从时域和空域信息中中等比例选取像素点建立背景模型,增强背景模型的鲁棒性;在前景检测检测阶段,通过平均差法衡量样本集合的离散度,构建自适应分割阈值代替原有的固定分割阈值以适应背景扰动;实验表明,改进算法可以有效抑制鬼影产生并且提高算法在扰动背景下的适应性和检测准确度。     

一种改进的背景提取算法

背景提取,是利用背景差分法获取目标的重要步骤。针对传统背景提取算法需要处理大数据量的问题,本文算法在传统背景提取算法的基础上,利用一段时间内,相邻图像相同位置的灰度值基本处在同一平稳区间的原理和思路,通过对小数据量的多次操作来获取背景图像。实验结果证明,这种做法可以在使用较少内存使用量的基础上获得比较好的效果,并可快速有效地对背景进行更新。     

可视化背景提取和粒子滤波的行为检测研究

在智能视频监控中,目标所在场景的复杂性和光照变化使得运动目标的检测难度加大.采用可视化背景提取(ViBe)算法来检测运动目标,对于运动目标在运动过程中的交叉、遮挡等情况,采用ViBe算法和粒子滤波运动目标跟踪算法相结合,完成对运动目标的检测与跟踪;在运动行为检测中,进一步定义目标的运动方向,从而判断目标的运动状态.实验表明,ViBe算法能够准确检测复杂场景中的运动目标,并能够适应噪声干扰和光照变化,将其和粒子滤波结合能够准确跟踪实际场景中的运动目标,并能够准确判断目标的运动状态.     

一种基于改进视觉背景提取算法的前景检测

针对视觉背景提取ViBe算法在前景检测中存在的鬼影现象且长时间难以消除的缺点,提出一种改进的视觉背景提取算法。首先,在视频前n帧序列的帧差法中,引入大津（OTSU）算法求自适应阈值,以分割出更为准确的前景区域;其次,利用去除前景区域的前n帧图像合成一张尽量少的包含前景区域的样本图像;最后利用扩展的邻域范围在合成的样本图像中对模型初始化,并把扩大的范围用在ViBe背景模型更新阶段。该算法与各种经典算法在大量视频库中进行了对比实验,仿真结果表明,改进的ViBe算法能快速消除鬼影对前景检测的影响,前景检测更为准确。     

面向车流量估计的改进ViBe算法研究*

针对视觉背景提取(Visual Background Extractor,ViBe)算法中出现的“鬼影”、阴影前景和漏检静止目标等问题,提出了一种经过改善的ViBe算法。首先在背景模型初始化阶段,利用改善的平均背景建模法对多帧图像建立初始化背景模型以消除鬼影。接着在前景检测阶段,通过计算运动目标与背景像素间差值消除由于光照所造成的阴影,同时利用直方图相似度检测静止目标。最终在车道设置虚拟线圈检测区以检测各个车道的占用比,从而得出道路的交通情况。试验表明,经过改善后的ViBe算法在抑制“鬼影”出现、检测静止目标和消除阴影三方面有较好的效果,能够准确检测出道路车流量。     

基于对称差分和背景减的运动目标检测

通过对视频运动对象特点的分析,提出一种针对静态场景的运动目标检测算法。该算法采用一种改进的时间平均法初始化背景,在有目标的情况下也能构建出可靠的背景,并融合背景减法和多重对称差分法对背景进行自适应更新。实验结果证明,该算法计算简单,对光线变化具有适应性,能够完整地提取运动目标,改善了运动目标的检测效果,具有一定的鲁棒性。     

相机抖动场景中数据驱动的背景图像更新算法

视频序列中的运动目标检测是计算机视觉领域的重要研究课题.背景减除是运动目标检测的有效方法,但相机抖动会对背景提取带来极大干扰,从而可能造成传统基于模型的图像处理方法模型失真.本文提出了相机抖动场景下前景图像提取的数据驱动背景图像更新控制算法.首先利用Harris特征检测进行背景补偿以消除抖动干扰.然后利用无模型自适应控制方法,建立单入单出控制系统来表示背景图像并进行实时更新.最后运用背景减除法提取运动目标前景图像.本文方法与传统基于模型方法进行了不同视频序列的对比仿真.实验结果表明,本文方法可以有效处理相机抖动场景下的运动目标检测问题,目标前景图像分离效果更加接近真实场景.     

动态背景下自适应LOBSTER算法的前景检测

目的 前景检测是视频监控领域的研究重点之一。LOBSTER(local binary similarity segmenter)算法把ViBe(visual background extractor)算法和LBSP(local binary similarity patterns)特征结合起来,在一般场景下取的了优良的检测性能,但是LOBSTER算法在动态背景下适应性差、检测噪声多。针对上述问题,提出一种改进的LOBSTER算法。方法 在模型初始化阶段,计算各像素的LBSP特征值,并分别把像素的灰度值和LBSP特征值添加到各像素的颜色背景模型与LBSP背景模型中,增强了背景模型的描述能力;在像素分类阶段,根据背景复杂度自适应调整每个像素在颜色背景模型和LBSP背景模型中的分类阈值,降低了前景中的噪声;在模型更新阶段,根据背景复杂度自适应调整每个像素背景模型的更新策略,提高背景模型对动态背景的适应能力。结果 本文算法与ViBe算法和LOBSTER算法进行了对比实验,本文算法的前景图像比ViBe算法和LOBSTER算法的噪声点大幅较低,本文算法的PCC指标在不同视频库中比ViBe算法提高0.736%7.56%,比LOBSTER算法提高0.77% 12.47%,FPR指标不到ViBe算法和LOBSTER算法的1%。结论 实验仿真结果表明,在动态背景的场景下,本文算法比ViBe算法和LOBSTER算法检测到的噪声少,具有较高的准确率和鲁棒性。     

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。     

基于改进背景减法的视频图像运动目标检测

为解决传统背景减法在动态背景下受噪声干扰和运动目标检测准确性不高的问题,提出一种基于改进背景减法的视频图像运动目标检测方法。在背景建模阶段,为易于计算和提高检测精度,采用基于GMM的图像块均值方法重构背景模型;在目标检测阶段,采用数学形态学和小波半软阈值函数相结合的方法对检测到的运动目标进行去噪处理;在背景更新阶段,采用自适应背景更新方法进行背景更新。实验结果表明,所提方法提高了运动目标检测的准确性,验证了其有效性。