一种改进的高斯混合背景模型算法及仿真

高斯混合模型广泛应用于基于背景建模的运动目标检测中,高斯混合模型参数估计和更新算法影响到背景模型的性能.文中对传统的高斯混合背景模型进行了改进,针对背景局部运动、活动阴影等问题,采用混合色彩值抑制阴影,在背景更新中引入一个"前景支撑映射"(Foreground Support Map, FSB),较好地解决了背景模型的提取、更新、背景扰动、外界光照变化等问题.实验结果证明,实验结果验证了该方法的有效性和在复杂背景变化下的鲁棒性.     

一种应用于运动车辆检测的背景更新方法

基于分块思想的选择性背景更新方法存在块与块之间衔接不自然、抗干扰性弱等不足。为此,提出一种引入滤波和逐渐修正的背景更新方法。利用分块思想将图像分成区域小块,根据均值和方差确立前景区域、背景区域及其变化大小,对前景区域和背景区域分别进行更新。实验结果证明,应用该方法进行运动车辆检测,其检测正确率能提高9%左右,时间效率也稍有提高。     

一种新的基于统计的背景减除方法

提出了一种有效的彩色视频背景减除的新方法。首先对彩色视频采样得到图像序列,统计序列中各像素的RGB值并归类,用出现概率最高类的RGB均值来构建背景模型;然后根据颜色差异和亮度范围综合条件,结合形态学处理进行背景减除。实验结果表明,此法可以很好地克服灰度视频背景减除中很难识别与背景灰度相近目标的缺陷,同时比传统的彩色视频背景建模快速,且样本中允许运动目标存在。对背景减除的准确性和实时性有一定程度地改进。该文还针对光照和背景变化提出了一些有效的背景更新策略。     

一种改进的混合高斯模型背景估计方法

传统混合高斯模型一般为每个像素分配固定的高斯分布个数,从而造成背景形成速度的减慢和系统资源的浪费;同时也存在着高斯模型背景建模中的缓慢或滞留运动物体造成目标误判现象的问题(即空洞问题)。为此,提出了一种有效的两阶段视频图像处理方法。该方法在第一阶段根据像素点的优先级大小自动地调节高斯分布的数目,在第二阶段首先对像素点进行所属区域的划分,进而对目标区域和非目标区域采取不同的更新手段。实验表明,采用两阶段视频图像处理方法明显地改善了背景建模的速度,有效解决了提取目标出现的空洞问题。     

一种基于高斯混合模型的分块背景更新算法研究

随着经济建设的快速发展,城市交通问题成为了人们亟待解决的问题。在智能交通系统领域中,背景提取和背景更新成为近年来计算机视觉领域的研究热点[1]。提出了一种应用于智能视频监控中的背景更新方法。在视频图像中,通过利用高斯混合模型获取背景图像,通过分块背景更新的方式提高背景更新的速度。     

一种基于分类的复杂场景背景更新算法

提出了一种基于分类的背景更新算法。对现有模板进行改进,提出一种生长模板来对差分图像中的目标点和噪声点进行检测。生长模板根据像素点局部特征自动选择生长方向,从而对目标点和噪声点进行判断。利用基于像素的背景更新策略,实现了目标遮挡区域的背景更新。实验证明了生长模板的有效性,该算法可以在复杂场景下实现背景更新。     

一种基于自适应混合模型的背景减除法

针对局部二进制相似度(LBSP)背景建模方法易受外界环境变化如动态背景、光照改变、相机抖动等干扰的问题,在融合像素纹理与亮度信息的基础上,建立一种自适应混合背景模型进行运动目标检测。首先,利用每个像素的多通道自适应局部二进制相似度(LBSP)信息和亮度信息建立混合背景模型。然后,根据当前像素与混合背景模型的比较结果对其进行分类,并采用随机更新机制更新背景模型。实验结果表明,本方法不仅在正常外界环境下取得了较好的检测结果,而且还可以有效地减少动态背景、光照变化等复杂外界环境条件造成的干扰,提高检测结果的准确性。     

面向实时交通视觉监控的综合动态背景更新方法

为了从复杂的交通场景中获取高质量的背景图像，提出了一种综合的动态背景更新方法。同时使用了帧差信息和提取的高层对象状态信息对混合高斯背景模型进行选择性更新，克服了因较长时间停车对背景的影响，并能及时消除由于背景物体移出造成的鬼影。对实时交通视频的处理效果表明，该方法兼具良好的自适应性与鲁棒性。     

一种新的频繁子树增量式更新方法

讨论频繁子树增量式更新问题,提出一种新的频繁子树增量式更新算法。提出有效树集概念和增量式更新策略,在更新挖掘时,无须重新运行子树挖掘程序,能充分利用已有的挖掘结果,算法只需要进行一次数据库遍历操作。提出候选子树剪枝策略,在更新挖掘过程中,能大幅减少子树同构次数,有效地提高了算法的运行效率。通过大量实验分析表明,算法有效可行且具有较高的运行效率。     

一种新的道路背景提取及更新算法

提出一种新的基于颜色模式的道路背景提取及更新算法.通过计算一段时间内视频图像的颜色模式来提取背景图像.为了避免了环境光的扰动对背景图像的影响,引入量化后的颜色模式的计算公式,增强了算法的鲁棒性.通过计算当前图像和背景图像以及上一帧图像的差分,得到不变区域更新背景.实验表明,本算法对光线变化鲁棒性高、速度快、更新效果好.     

基于混合高斯模型的目标差分自适应背景模型

提出一种自适应背景更新率的方法。在混合高斯背景模型基础上。通过混合高斯匹配将前后两帧分割出的运动目标作差分。差分后再次采用混合高斯匹配分辨出过去目标区和当前目标区。在背景更新的过程中,加大过去目标区的更新率,让运动目标在出现停滞状态时给背景模型带来的干扰区域得到快速恢复。试验结果表明,该方法有效地提高背景模型的鲁棒性。     

一种改进的混合高斯背景模型

针对经典混合高斯模型无法识别静态目标的问题,提出一种改进算法。通过加入了参数还原算法,并引入一个反馈调节环节,可以避免静态前景被学习进入背景。当目标停留超过预定帧数时,目标所覆盖的每个像素点的K个高斯函数进行参数还原,避免了目标被更新为背景的一部分。实验结果表明,提出的改进模型,不仅能检测长时间静止目标,而且能识别多模态背景。     

一种基于加权直方图的动态背景建模

场景中的光照变化及树叶和水面等的不规则运动是建立动态场景背景模型的主要困难。针对该问题,提出一种基于加权直方图的动态背景建模方法。算法首先提出融合图像序列局部空间相关性的加权直方图,并以此作为特征描述动态背景。针对该特征进一步提出一种简洁的特征聚类准则,该准则通过对亮度直方图和色度直方图区分计算聚类特征。在多个标准测试视频上进行试验,并与混合高斯模型( MOG)、标准码本模型( SCBM)、HSV码本模型( HSVCBM)和加权直方图模型( WHM)算法进行比较。实验结果表明,本文算法对场景中的动态变化具有较强的适应性。     

针对不同信息特征的鲁棒背景建模技术分析

背景建模是实现运动目标检测与跟踪任务的关键技术之一,背景模型的鲁棒性问题受到普遍关注.本文针对背景建模所依赖的不同信息特征,从实际应用和样本集形态两个方面分析了背景模型的鲁棒性需求.根据不同信息的描述和处理的特点综述了背景建模的典型算法,并考察其对鲁棒性需求的处理策略.然后就不同层次信息的描述及其鲁棒性,比较了典型背景建模系统,并分析了背景建模技术的发展趋势.     

基于矢量方向特征的非参数动态背景建模

针对传统的背景建模会产生空洞和阴影误检测的问题,提出了基于矢量特征的动态背景建模方法。该算法分为初始背景模型学习和更新背景模型学习两个部分。初始背景模型把图像RGB 3个特征对应到球坐标中的方向特征,并取前若干帧图片通过矢量均值聚类算法算出K个聚类,认为这K个类为这一像素点的背景模型,当一张新的图片对应像素的矢量特征落在这K类中的任何一个时,就认为其为背景;更新算法是初始模型的后续,它除了对新来的图片进行背景分析之外,也将其用来更新背景模型。该算法能够有效避免空洞现象和阴影误检测,并且当场景改变时能及时有效地更新背景。     

基于动态图像序列的运动目标检测与跟踪

运动目标的检测与跟踪在智能监控和车辆导航领域中得到了广泛的应用。该文提出了基于统计背景模型和α-β-γ滤波模型的运动目标检测和跟踪算法。在此方法中,首先建立背景的高斯模型,然后检测出场景中的运动目标,最后在目标检测的结果上,采用α-β-γ滤波器对检测出的运动区域进行运动参数估计,进而跟踪出运动目标的轨迹。实验表明,该方法能够有效地分割出序列图像中的前景目标,并提高了目标跟踪的稳定性。从而证明了该方法的有效性。     

交通场景中基于彩色视觉信息统计的背景建模

研究分析目前主流的背景建模方法,并针对动态交通场景中车辆目标持续运动．背景出现的概率较大的特点,提出一种基于彩色视觉信息统计的背景建模算法。实验结果表明．该算法可以较好地提取背景,并有效区分前景和背景。     

交通场景中基于彩色视觉信息统计的背景建模

研究分析目前主流的背景建模方法,并针对动态交通场景中车辆目标持续运动,背景出现的概率较大的特点,提出一种基于彩色视觉信息统计的背景建模算法。实验结果表明,该算法可以较好地提取背景,并有效区分前景和背景。     

软件需求演化建模方法

该文在分析了与需求分析有关的基本问题之后,讨论了面向对象的软件需求分析方法,最后介绍了一种新型的面向对象需求分析方法,即ORDIT模型方法。     

复杂彩色背景下特定运动目标定位方法

目标识别与定位是数字图像处理技术中的十分关键的一部分。该文提出了针对在复杂的彩色背景下特定运动目标定位的快速有效方法。同时在实践基础上，针对图像处理中的特征向量的提取给出了一个操作性较强的方法。在解决了某个特定环境下实现目标识别和跟踪的同时，对其它相类似的情况下的数字图像处理也是有借鉴之用的。