自适应邻域相关性的背景建模

目的 背景建模在计算机视觉领域中是检测、跟踪、行为学习和识别的基础,被广泛地应用于视频监控的运动目标检测。混合高斯（MOG）和Codebook是其中具有代表性的方法,但它们假设像素点间信息是独立的,只保留了时域信息而忽略了空域信息,使得模型对背景的描述局限于时间上的连续性。针对上述问题,提出了一种自适应邻域相关性的背景建模方法（ANC）。方法 ANC在保留原始方法时域信息建模特性的同时,增加对邻域模型的复用,同时利用计算结果反馈自适应调整邻域区域,提高对前景值判断的准确性。首先利用原始基于像素点的背景建模方法进行候选前景检测,然后将候选前景检测结果为前景点的像素与邻域像素点模型进行对比,若邻域范围存在匹配则为背景点,若不存在则为前景点;最后引入像素置信度概念,自适应调整邻域范围的大小。结果 与MOG和Codebook相比,在changedetection标准数据库上,ANC在ROC（受试者工作特征曲线）和度量值等方面的平均精度和F-measure都提高了7%以上。结论 自适应邻域相关性的背景建模方法适用于复杂多模态背景,克服了基于像素点背景建模方法假设的局限性。与普通基于像素点的背景建模方法相比,具有更好的鲁棒性和抗噪性,对复杂背景具有更强的适应性。     

基于YCbCr的自适应混合高斯模型背景建模

混合高斯模型是最常用的背景建模方法之一,但是它的精确度是以耗时为代价的,且它在RGB颜色空间进行背景建模时,对噪声的处理效果一般。因此,对混合高斯模型进行改进,提出了一种基于YCbCr的自适应混合高斯模型背景建模方法。首先,将建模颜色空间从RGB转换到YCbCr;然后,采用自适应选择策略来确定混合高斯模型的高斯成分个数;最后,将高斯成分按照关键字的值进行排序,以确定背景模型。将提出的建模方法应用于运动目标检测,实验结果表明,提出的方法与混合高斯模型背景建模相比,运动目标检测的检测结果更准确,耗时更少。     

Recursive PCA for adaptive process monitoring

While principal component analysis (PCA) has found wide application in process monitoring, slow and normal process changes often occur in real processes, which lead to false alarms for a fixed-model monitoring approach. In this paper, we propose two recursive PCA algorithms for adaptive process monitoring. The paper starts with an efficient approach to updating the correlation matrix recursively. The algorithms, using rank-one modification and Lanczos tridiagonalization, are then proposed and their computational complexity is compared. The number of principal components and the confidence limits for process monitoring are also determined recursively. A complete adaptive monitoring algorithm that addresses the issues of missing values and outlines is presented. Finally, the proposed algorithms are applied to a rapid thermal annealing process in semiconductor processing for adaptive monitoring.     

一种基于Kalman滤波器的自适应背景建模改进算法

基于传统Kalman滤波器理论的背景建模方法,不能很好地解决目标缓慢运动导致背景模型出现拖影的问题。针对该问题,提出了一种结合Kalman滤波器理论与动态区域重构的自适应背景建模改进算法,介绍了Kalman滤波器理论主要思想和改进算法的方法流程与效果。与传统的Kalman背景建模相比,该方法在增加少量计算复杂度的前提下,较好地解决了目标缓慢运动导致背景模型出现拖影的问题,同时也能较好地消除背景噪声。通过对图像序列的仿真实验证明:该方法具有很好的实用性与鲁棒性。     

基于图像差分的自适应背景建模高光谱目标检测

高光谱图像背景建模的好坏会直接影响目标检测的效果。为了建立适宜目标检测算法的背景,提出了一种基于图像差分的自适应背景建模方法。首先对地物光谱特征点所在波段图像进行差分,之后根据差分结果的正负关系进行0、1编码,再对图像进行初步分类后进行闭运算处理,最后建立背景用于目标检测。通过异常检测和目标识别的实验,证明了该方法能够大幅提高目标的检测率,减少误警率,并提高了运算速度。     

中值滤波和边缘检测技术在复杂背景图像分割中的应用

本文针对中值滤波和边缘检测技术在背景复杂的灰度图像分割中的应用进行了研究,采用了一种基于中值滤波、Sobel算子和数学形态学相结合的边缘检测算法,比传统的边缘检测能更有效地抑制噪声,提高边缘检测精度,具有更好的边缘提取效果和边缘连续性,着重研究了其基本思想,并给出了相应的仿真结果.     

一种分布式检测系统的递推反馈自适应学习算法

分布式多传感器检测系统中的等概率假设在检测概率未知及时变情况下不能得到最优的检测状态．研究分布式检测系统的最优检测问题,考虑传感器虚警与漏报的概率未知,且概率不相等的情况,提出了一种递推的状态反馈自适应学习算法,通过在线的修正融合权值,最终使系统收敛于最佳权值,并对算法收敛性和误差进行了理论分析．仿真研究了概率未知、环境时变等情况下的算法性能,验证了所提方法的有效性．     

具有自适应能力的背景模型构建算法

对基于视频的车辆检测中的背景差分法进行了研究,提出了一种新的背景模型构建算法.该算法在初始化过程中有选择地采用动态帧数的图像作为计算帧,使背景模型的初始化具有较高的精度和效率;在背景更新时采用动态加权系数,使背景学习具有较快的速度;在进行背景差分时采用动态阈值,既使背景更新具有较高的准确度,又使视频分割具有较高的精度.经实验验证,该算法能够很好地检测出车辆,并具有较高的精度和效率.     

基于边缘检测器组合的密集边缘检测

本文提出了基于多个边缘检测器组合的密集边缘检测方法 ,并从理论上阐述了此方法的性质 .在实验中 ,采取了组合中值混合滤波器、Teboul变分法和最优的 Gabor滤波器的方式 ,随后用组合的边缘检测器对人脑横切片图和取自 Vis Tex数据库的图像进行分割 .实验结果表明此方法是有效的 .     

基于边缘盒与低秩背景的图像显著区域检测算法

针对现有显著性区域边界不明确和检测效果鲁棒性较差等问题,提出了一种新颖的图像显著区域检测方法,该方法结合了边缘盒粗定位和低秩背景模型细筛选来提高显著区域的检测性能。首先,对基于边缘盒的图像显著区域检测方法进行改进,采用OTSU方法自适应计算边缘模值的最佳分割阈值,以替代固定分割阈值,降低边界点检测误差;其次,在基于边缘盒检测到的可疑显著区域上,采用鲁棒主成分分析方法获取图像的低秩分量,构建背景模型,并基于背景差分方法剔除背景区域,减少显著区域的虚检现象。在PASCAL VOC 2007数据集上的实验结果表明,提出的方法明显提高了显著区域检测的精确度和召回率,同时具有较高的检测效率。     

Recursive algorithms of adaptive control in stochastic systems

Conclusions The obtained results constitute an identification method of analysis of optimal decisions under uncertainty. Within this approach we have constructed a recursive procedure that has a number of fairly useful properties. First of all, it is sequential. Thus it is possible to use each observation for improving the estimates and for adaptive control. In this way we can construct fairly good estimates and a strategy with a small number of observations. In particular, the improvement of the strategy begins with a number of observations n=2. Moreover, it makes it possible to construct an optimal true stationary strategy after finitely many steps of adaptive control. Finally, the above methods make it possible to solve problems of fairly large dimension.Translated from Kibernetika, No. 6, pp. 88–94, November–December, 1981.     

Ridgelet变换在图像边缘提取中的应用

本文介绍了Ridgelet变换理论,利用Ridgelet变换的多方向性,提出一种基于正交有限Ridgelet变换的图像边缘提取方法,并将本文方法与传统的边缘提取方法进行了比较。实验表明,有限脊波变换有更好的边缘提取效果。     

经典边缘检测的快速算法

边缘检测是图像处理的重要步骤，在许多实际应用中检测速度是至关重要的。本文在分析传统经典边缘检测算子内在结构的基础上，提出了一种有效的快速算法，实验表明随着图像尺寸的增大，该算法可比经典计算方法快10倍以上。     

基于时域背景预测检测红外图像序列中的小目标

研究存在背景噪声和干扰的情况下红外图像序列中弱小运动目标的检测问题。从背景出发,充分利用在图像序列中占绝大部分的背景像素来构造弱小目标的检测,并提出在时域上利用背景预测技术实现检测。通过编程在含有随机目标的实际红外序列图像中的应用,证明了算法的有效性和优越性。     

复杂背景图像下基于边缘点校验的圆检测方法

针对传统圆检测方法在复杂背景下检测精度低、误识别及漏识别率高、可靠性差的缺点,提出一种适应于复杂背景图像下的圆检测方法。根据半径搜索范围,利用三级筛选法选出候选圆,对所有的候选圆统计边缘点个数,将统计结果除以半径,根据此值对候选圆进行筛选。依据统计结果对圆排序,根据设定的最小圆心距及最小半径差阈值消除因峰值扩散产生的干扰圆。实验结果表明,与传统梯度Hough变换相比,该方法的误识别率和漏识别率分别降低24%和8%,检测结果更精确,在复杂背景下的可靠性更高。     

区域颜色属性空间直方图背景建模

目的 为了能在光照变化、动态背景干扰这一类复杂场景中实时、准确地分割出运动前景,针对传统的基于颜色特征和基于像素的方法的不足,提出一种在颜色属性空间进行区域直方图建模的运动目标检测方法。方法 首先将RGB颜色空间映射到更为稳健的低维颜色属性空间,以颜色属性为特征在像素的局部范围内建立直方图,同时记录直方图每一个分区中像素的空间信息,使用K个空间直方图构成每个像素的背景模型,每个直方图根据其匹配度赋予不同的权重。降维的颜色属性提高了模型的鲁棒性和检测的时效性,空间直方图引入的位置信息提高了背景模型的准确性。然后通过学习率α_b和α_ω来控制各模型直方图及其权重的更新,以提高模型的适应性。在标准测试数据集的所有视频序列中进行了实验,通过分析综合性能指标（F1）及平均假阳性（FN）曲线,确定了算法中涉及参数的合理取值范围。结果 对实验结果定性和定量的分析表明,本文方法能够得到良好的前景检测效果,尤其在多模态场景和光线变化的复杂场景中能显著提高检测性能。各类场景的平均综合性能指标（average F1）相比性能突出的方法ViBe、LOBSTER（local binary similarity segmenter）和DECOLOR（detecting contiguous outliers in the low-rank representation）分别提高了0.65%、3.86%和3.9%,并通过GPU并行加速实现运动目标的实时检测。结论 在复杂视频环境下的运动目标检测中,相比已有方法,本文方法能够更为准确地分割出运动前景,是一种实时、有效的检测方法,具有一定的实用价值。     

Edge Detection in fingerprints

A suitable method for ridge detection in fingerprint is presented in this paper. This proposed method blends some of the results developed in image enhancement and edge detection literature to minimize the effect of noise.     

基于背景先验与低秩恢复的显著性目标检测方法

显著性检测是指计算机通过算法自动识别出图像中的显著性目标，广泛应用于目标识别、图像检索与图像分类等领域。针对现有基于稀疏与低秩矩阵恢复的显著性检测模型中低秩转换矩阵的获取、前景稀疏矩阵的处理以及超像素块之间的关系，需对现有的稀疏与低秩矩阵恢复模型进行优化，使之更好地适用于图像的显著性检测。首先，根据背景的对比度和连通度原则获取图像低秩的背景字典，采用3种尺度分割图像的多个特征矩阵获得图像的前景稀疏矩阵；其次，通过计算邻居像素点之间的影响因子矩阵与置信度矩阵对显著图的结果进行结构约束，并且采用稀疏与低秩矩阵恢复模型对图像进行显著性检测；最后，利用K-means聚类算法的传播机制优化得到的显著图。在公开数据集上进行实验验证,结果证明本文方法能够准确有效地检测出显著性目标。     

边缘检测滤波尺度自适应选择算法

为回避多尺度边缘检测中融合多幅图像涉及的启发性规则, 同时克服 Jeong 算法的局限性, 本文首先基于 Tan 的广义边缘定义设定一个适应度函数, 然后采用自适应遗传算法针对单个像素及其邻域结构的特征搜索最佳滤波尺度得到局部最佳边缘检测尺度, 最后由最佳尺度高斯滤波器得到最终边缘图像. 实验证明能够得到令人满意的结果.     

Optimum Edge Detection for Object-Background Picture

The statistical method for edge gray-level detection of Kittler et al. is shown to estimate the middle of the object and the background luminance. Modifications to Kittler′s method are presented to estimate better the gray level above the maximum slope and to be less sensitive to the noise over uniform luminance areas.