自适应核密度估计运动检测方法

提出了一种自适应的核密度估计(Kernel density estimation, KDE)运动检测算法. 算法首先提出一种自适应前景、背景阈值的双阈值选择方法, 用于像素分类. 该方法用双阈值克服了单阈值分类存在的不足, 阈值的选择能自适应进行, 且能适应不同的场景. 在此基础上, 本文提出了基于概率的背景更新模型, 按照像素的概率来更新背景, 并利用帧间差分背景模型和KDE分类结果解决背景更新中的死锁问题, 同时检测背景的突然变化. 实验证明了所提出方法的适应性和可靠性.     

基于分箱核密度估计的非参数多模态背景模型

提出了一种用于检测运动目标的非参数多模态背景模型。该模型采用分箱核密度估计算法从训练图像序列中得到背景的密度函数。分箱核密度估计算法利用基于网格数据重心的分箱规则,很好地提取了训练图像序列的关键信息,避免了采用全样本数据点的重复计算, 大大提高了运动目标检测算法的实时性。通过与全样本算法进行对比,发现该背景模型在运动目标检测中的有效性,可用于户外的实时交通监控系统。     

监控视频运动目标检测减背景技术的研究现状和展望

在很多计算机视觉应用中，一个基础而关键的任务是从视频序列中确定运动目标，其中对于固定摄像机的监控视频运动目标的检测，最常用的方法是减背景技术。其思想是将视频帧与一个背景模型做比较，其中区别较大的像素区域被认为是运动目标。但由于构建背景模型需要考虑光照变化等很多因素，因此开发一个好的减背景算法面临很多挑战。为了使人们对该技术有个初步了解，该文首先对利用减背景技术实现运动目标检测的过程、目前各种典型背景建模算法的原理和优缺点做了较为详细的阐述和归纳，然后总结了各种减背景算法的总体特点，并结合实验和文献资料对部分算法进行了对比评价，最后指出了减背景技术的未来研究重点和发展方向。     

基于背景差分的核密度估计前景检测方法

针对非参数核密度估计算法前景检测不够精确、运算量大的问题,提出了一种基于背景差分图像的核密度估计前景检测方法。该方法结合了单高斯模型和核密度估计模型进行初始背景建模,利用背景差分图像,过滤掉非动态背景区域,对动态背景区域采用核密度估计进行像素分类。同时,对非动态背景区域,采用渐进式更新;对动态背景区域,采用非参数核密度估计进行更新。实验结果表明,该算法能够精确地分割出前景目标,减少了误检噪声,降低了运算量。     

基于聚类的背景建模与运动目标检测方法

为克服目前动态背景建模方法中计算量和存储量大的问题,提出了一种基于聚类的动态背景建模与运动目标分割方法。由于动态背景下每个像素的取值在时间轴上呈多峰分布形式,因此将每个峰看成一个子类,用聚类技术快速实现了动态背景的建模与更新,然后利用建立的背景模型快速、准确地实现运动目标的分割。实验结果表明：提出的背景建模方法能有效捕获并适应背景的动态变化,可显著降低目前动态背景建模方法的计算量和内存需求量,易于在基于DSP 或 FPGA等硬件系统上实时实现。     

一种基于码本的监控视频运动目标检测算法

针对监控系统获得的彩色视频序列,根据连续采样值的颜色相似度及其亮度范围,将背景像素值量化后用码本表示,利用减背景的思想对新输入的像素值与其对应位置的码本作比较判断,提取出前景运动目标像素。该算法计算复杂度小、占内存少,能够在存在前景运动的过程中提取背景,并能处理光照变化。     

基于DM6437的运动目标检测系统

采用非参数化的核密度估计完成背景减法,设计了基于高端数字媒体处理器KM6437的实时运动目标检测系统.提出了一种有效的背景更新策略,使得背景的更新更加可靠,提高了检测的精确度.实验表明该系统能够对目标进行比较实时和准确的检测.     

核密度估计与高斯模型联级运动目标检测

高斯模型与核密度估计模型是两种有效的背景建模及目标检测方法。高斯模型运算简单,但对复杂背景的描述能力差;核密度估计模型对背景描述能力强,但运算复杂,难以实现实时性检测。提出了一种分层联级检测机制,由高斯模型对大部分相对稳定的像素进行分割与检测,对于高斯模型无法精确描述的小部分像素通过核密度估计模型完成分割与检测。实验证实了该方法在适应动态背景扰动与运行效率方面的有效性。     

基于Parzen核估计的动态背景建模算法

利用非参数估计理论核密度估计方法,研究了多模态场景参考帧的动态维护与更新问题.针对户外伴有树木晃动、水波荡漾等问题的复杂环境,在利用Parzen核估计算法进行动态背景建模的基础上.对该算法进行改进.首先,在运动前景检测阶段,给出了一种改进的阈值设定算法,提高了像素点分类的准确性.其次.在去除噪声阶段,利用像素邻域相关性,降低了目标检测的虚警率.实验结果表明:该算法可更有效地对运动目标进行检测,并具有较强的实时性.     

基于高斯核密度估计的运动目标检测新方法

针对传统的核密度估计在运动目标检测中需要进行复杂的运算,并且背景模型无法自适应更新等问题,提出了基于关键帧采样的核密度估计背景建模算法。结合间隔视频序列的平均背景和相似性原理,提取具有关键背景信息的样本建立背景模型,大大缩短了背景建立的时间。同时引入融合背景更新策略,实现了背景的自适应更新,克服了光照变化对背景重建的影响。在此基础上,检测系统结合梯度和聚类消除了运动阴影。实验结果表明,该方法具有检测精度高,运行速度快等特点,更好地满足了实时性要求。     

基于高斯核密度模型的运动目标检测

运动目标检测是当前计算机视觉的研究热点之一,本文在研究了现有大量算法的基础上,提出了一种改进的基于高斯核密度模型的运动目标检测方法,引入面积阈值来消除大的噪声和判断背景是否发生了突变,从而重新更新背景样本集。实验结果表明,该方法可以很好地适应背景中存在周期运动干扰的情况,并且可以适应背景突变的情况。     

一种快速核密度估计背景建模方法

针对核密度估计背景建模方法运算量大难以实时应用的问题,提出了一种基于背景直方图分布的快速核密度估计背景建模方法。选用三角核函数进行核密度估计,根据三角核带宽函数的截断效应,引入背景分布的直方图完成快速背景建模,在保证目标检测准确性的同时提高运算速度。测试实验结果验证了算法能够满足监控系统的实时性要求。     

复杂背景下的自适应前景分割算法

复杂背景下的运动前景分割是计算机视觉领域研究的一个重点研究问题。为了对复杂背景下的运动前景进行有效分割,提出了一种复杂背景下自适应前景分割算法。该算法 的背景模型是由一系列聚类和聚类的权重构成。每个聚类表示背景的一个历史状态,并能够根据背景的变化,自适应创建、更新或删除聚类,使得背景模型能够准确反映出场景的 变化。每个聚类权重是根据聚类的大小和更新时间自动确定的。为了自动确定该方法的重要阈值,还提出一种基于非参数密度估计的阈值估计方法,并在不同的场景下与多个背景 建模方法进行了比较, 实验结果表明,该算法是有效的。     

Nonparametric kernel density estimation near the boundary

Standard fixed symmetric kernel-type density estimators are known to encounter problems for positive random variables with a large probability mass close to zero. It is shown that, in such settings, alternatives of asymmetric gamma kernel estimators are superior, but also differ in asymptotic and finite sample performance conditionally on the shape of the density near zero and the exact form of the chosen kernel. Therefore, a refined version of the gamma kernel with an additional tuning parameter adjusted according to the shape of the density close to the boundary is suggested. A data-driven method for the appropriate choice of the modified gamma kernel estimator is also provided. An extensive simulation study compares the performance of this refined estimator to those of standard gamma kernel estimates and standard boundary corrected and adjusted fixed kernels. It is found that the finite sample performance of the proposed new estimator is superior in all settings. Two empirical applications based on high-frequency stock trading volumes and realized volatility forecasts demonstrate the usefulness of the proposed methodology in practice.     

基于滚动时域估计的带约束运动目标跟踪*

针对实际的运动目标跟踪问题中存在的各种物理约束,采用基于在线滚动优化原理的滚动时域估计方法,将跟踪滤波问题转换为带约束的有限时域优化问题,并通过引入到达代价函数,有效减少了优化问题求解所需的计算量。最后,对实际的目标跟踪问题进行了滚动时域估计仿真研究。Monte Carlo仿真结果表明,滚动时域估计能有效提高跟踪精度,并且能在采样周期之内完成求解,满足在线估计的需要。     

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。