改进的混合高斯模型视频运动目标检测算法

针对混合高斯模型背景建模在视频运动目标检测中的不足,提出了将混合高斯模型与三帧差分相结合来对视频中运动目标进行检测的算法。由混合高斯模型得到前景和背景,利用当前帧与混合高斯模型所得到的背景相减可以得到一个前景,使用三帧差分和边缘检测得到运动物体的精确轮廓,对此轮廓进行填充得到一个前景,将此三步前景进行运算得到最终的结果;通过新的更新策略来快速地对背景进行建模,以像素点的稳定性来调整像素点的更新速度,从而减少算法运算量,提高算法的运行速度。     

铁路客运站复杂环境中的运动目标检测

采用分层组织的形式将传统高斯混合模型分为背景层、竞争层和噪声层,各层分别采用不同的更新机制,在各层之间引入晋级和降级机制以纠正可能存在的误判。采用基于轮廓检测的噪声滤波实现噪声层更新以消除噪声,并利用直方图匹配检测伪前景区域以提高对背景变化的适应能力。使用停车场视频和铁路客运站候车室视频对改进后高斯混合模型的检测效果进行了验证。验证结果表明:改进的高斯混合模型有效避免了长期静止的目标被融入背景,降低了光线突变或摄像机噪声的干扰,加快了背景改变时模型的更新速度,目标检测速度比传统GMM提高了10%。检则方法满足了铁路客运站智能视频监控实时性和准确性的要求,为视频分析奠定了基础。     

基于混合高斯背景建模的交通视频运动目标检测

目前最常用也最有效的运动目标检测方法是背景减除法,其中背景提取是背景减除法的核心.传统的运动目标检测方法无法解决场景的光线突变、背景图像发生变化以及前景运动目标物体的阴影干扰等问题.针对交通视频中背景模型的实际情况,采用混合高斯分布对视频背景进行建模,将前一帧视频图像与所建立的当前背景图像进行相减,得到车辆在当前时刻的运动图像,并将所得图像进行形态学去噪处理.通过相关的仿真实验,证明了该方法能够比较准确地检测出前景运动车辆目标.     

基于OpenCV和DirectShow的交通运动目标检测算法研究

针对运动目标的自动检测问题,提出了一种改进的背景差分算法,采用背景图像多帧平均进行背景的获取和更新,进一步检测出运动车辆轮廓。使用VC++6.0作为开发环境,结合DirectShow视频处理库和OpenCV图像处理库进行编程实现。通过对两个不同场景的实验结果表明该算法能正确地检测出运动车辆,能够满足实时性的要求。     

基于组合前景提取的混合交通两轮车辆视频检测

针对混合交通流中两轮车辆视频检测问题,提出一种基于混合高斯模型（GMM）与背景累加模型（BAM）的组合前景提取方法,该方法将GMM与BAM组合得到的2 种前景图像分别经过滤波和形态学的膨胀操作处理,然后进行“与”操作,过滤掉高斯前景中的大量噪声,提取出感兴趣前景区域.针对两轮车辆的轮廓边缘特征,采用Canny 边缘检测提取边缘信息,去除前景区域中的非目标区域,采用两轮车辆的自建模板,通过欧氏距离进行模板匹配,定位并标记感兴趣区域中的目标区域.在OpenCV 和Matlab7.1 实验测试平台上,对典型城市混合交通路段的交通流视频进行测试.结果表明,该方法对混合交通流中两轮车辆的识别检测具有较高的准确率.     

一种基于物影匹配算法的道路小目标跟踪方法

针对复杂道路环境下小目标抛洒物难以被检测与跟踪，且落地静止像素易被纳入背景而导致目标丢失等问题，本文提出一种基于物影匹配算法(OSMA)的道路小目标跟踪方法来解决上述问题。首先，采用混合高斯模型对背景进行建模以此获取前景图像，对前景图像采用膨胀、腐蚀等形态学处理；其次，根据道路抛洒物移动时在前景产生独立的物与影双轮廓特征，进行连续帧前景轮廓的物影匹配，并将连续的匹配结果定为疑似抛洒物；最后，采用多帧质心偏移法判断疑似抛洒物是否处于静止状态，并对运动状态中的疑似抛洒物进行位置判定与帧间轮廓匹配，从而实现抛洒物的逐帧跟踪。基于大量实验表明：本文所提出的OSMA与核化相关滤波器(KCF)、辨别尺度空间跟踪器(DSST)、背景感知相关滤波器(BACF)、深度注意力跟踪器(DAT)、视觉跟踪时空变换器(SATRK)等跟踪器相比，准确性更优越，可较好解决道路复杂场景下各类抛洒物的跟踪问题；复杂背景、快速旋转的小目标场景中跟踪表现优异，具有良好的跟踪尺度，实时性满足预期要求。     

基于自适应复杂场景的背景建模方法

因复杂场景下的背景动态变化大,大多数背景建模算法易引起误匹配而导致检测精度降低.为此,提出一种基于自适应复杂场景的背景建模方法,背景模型采集视频前5帧图像初始化模型,通过后续帧获取像素的分布特征并更新背景模型.算法提出自适应离散系数结合像素值检测像素动态变化幅度,获取复杂背景中的目标.实验通过对多组数据测试,验证了算法检测精度优于其他算法,有效改善复杂场景下动态背景对前景目标提取的影响,减少了由背景像素值大幅度变化产生的假前景,在复杂场景下检测目标有较强的适应性和鲁棒性.     

基于反馈背景模型的城市道路交叉口前景目标检测

为准确检测城市道路交叉口监控视频中缓慢行驶或短时停留的前景目标,提出了一种基于前景目标反馈的背景模型检测方法.首先基于观测样本的像素值构建背景模型,利用计数器观测像素点检测为前景或背景的次数并描述当前场景的交通状态和稳定性,其次根据场景自适应阈值判断当前像素点为前景点或背景点,最终通过交通状态和场景的稳定性更新背景模型.采用基于真实的交叉口视频场景对算法的有效性进行了定性与定量分析.实验结果表明,该算法在复杂的城市道路交叉口场景中检测出缓慢行驶或短时停留车辆的性能优于其他方法,同时能够满足城市道路交叉口智能视频监控实时性和准确性的要求,为交叉口前景目标的行为分析奠定了基础.     

自适应铁路场景前景目标检测

现代铁路系统中，智能视频分析技术已被广泛应用于异物入侵监测，前景目标检测是入侵判断的必要过程. 背景差分常用于检测前景目标，但铁路场景复杂，存在动态变化的背景区域和未知类型的目标，现有基于阈值分割或深度学习的背景差分算法都不能满足需求，故提出一种基于阈值自适应调节的前景目标检测算法. 利用像素值在时间上的动态信息，分割结果的反馈信息和由超像素提供的空间信息确定阈值调节因子，动态调节阈值以适应环境变化；提出一种灵活可靠的背景模型初始化方法，消除鬼影问题，实现一帧到多帧初始化的灵活切换. 实验结果表明，所提算法在铁路场景上取得了较好的准确率和误分类率，且平衡了精度和速度.     

基于三维高斯混合码本模型的运动目标检测算法

为解决智能视觉监控中码本模型参数调节困难和高斯混合模型概率分布计算的复杂性,提出了一种基于三维高斯混合码本模型的运动目标检测算法.该算法基于RGB空间建立码本模型,然后基于码字中的R、G、B分量建立三维高斯模型,从而使整个码本具有三维高斯混合模型的特征.实验结果表明:该算法具有较高的实时性(该算法的平均帧率约23.0帧/s,而iGMM(improved Gaussian mixture model)算法约9.0帧/s,BM(Bayesmodel)算法约6.2帧/s,CBM(codebook model)算法约10.7帧/s),且具有良好的检测质量.     

利用MAS实现车辆动态识别与智能跟踪

针对视频图像车辆智能跟踪问题,提出了利用帧间差异积累动态矩阵进行自适应背景建模算法,采用背景差提取运动目标区域,设计了一种基于知识的多Agent智能系统进行目标分割、轮廓提取和空域滤波,增强了抗背景干扰能力,使获得的目标区域具有更好的空域连通特性;通过自适应核窗宽改进了MeanShift算法的收敛速度,利用SSD算法实现了快速初始定位。实验结果表明,该方法自治能力强,跟踪目标快速准确,实时有效。     

一种新的基于传感器融合的复杂交通背景更新方法

复杂交通场景由于背景构造困难限制了视频监控技术的应用. 为了解决这个问题,本文提出了一种新的基于传感器融合的复杂交通视频背景构造方法. 首先通过基于EM算法的高斯混合模型提高背景建模的准确性;其次,对于运动缓慢或者静止的区域,通过设定不同的采样频率来提高背景建模数据的可靠性;对来自线圈和虚拟检测线检测到的数据进行数据融合来提高虚拟线圈检测车速的精度,通过引入局部稳态最优Kalman平滑器提高了数据融合算法的自校正能力. 最后,实验结果证明了所提方法的有效性.     

һ���µĻ��ڴ������ںϵĸ��ӽ�ͨ�������·���

复杂交通场景由于背景构造困难限制了视频监控技术的应用. 为了解决这个问题,本文提出了一种新的基于传感器融合的复杂交通视频背景构造方法. 首先通过基于EM算法的高斯混合模型提高背景建模的准确性;其次,对于运动缓慢或者静止的区域,通过设定不同的采样频率来提高背景建模数据的可靠性;对来自线圈和虚拟检测线检测到的数据进行数据融合来提高虚拟线圈检测车速的精度,通过引入局部稳态最优Kalman平滑器提高了数据融合算法的自校正能力. 最后,实验结果证明了所提方法的有效性.     

基于混合高斯模型的道路背景提取方法研究

针对单高斯模型对道路背景提取的不足,提出一种基于混合高斯模型的道路背景提取方法。利用多个高斯分布组成混合高斯模型来表示道路背景图像中的各个像素点,并且针对该算法利用MATLAB进行仿真实验,实验结果验证了基于混合高斯模型的道路背景提取方法的实用性和有效性。     

һ�����͵��˶�Ŀ��ʶ��������㷨�о�

提出了一种应用于智能交通监控系统的运动目标识别和跟踪方法。针对帧间差分提取运动目标的缺陷与不足,提出了一种基于冗余小波变换的运动目标识别算法,即直接在冗余小波变换域提取运动区域,从而检测出运动目标。对于检测出来的运动目标,本文对mean-shift算法进行了改进,采用自适应mean-shift算法,对目标进行跟踪。实验结果表明,本文提出的算法可以有效地提取运动目标,即使目标与背景具有较高的相似度,也可以较准确的提取出前景运动信息,效果要好于传统的帧差法;跟踪目标准确度高,不受目标大小变化的影响。本算法具较高的实用价值和应用前景。     

应用小波模历史图像的运动车辆视频检测

为提高车辆目标检测的稳定性和准确性,提出了基于背景减除和小波分解模历史图像的运动车辆检测算法.首先对原始图像进行小波分解,对低频分量用混合高斯模型和纹理特征相结合的方法,自适应更新背景并标记运动目标初始区域;然后,基于高频分量计算模值,并通过逐帧历史累积得到模历史图像;最后,利用车辆目标与阴影相比富含边缘细节的特点,对目标进行倾斜校正后,将目标边缘分别沿图像x和y方向投影,利用投影曲线将边缘信息与目标初始区域信息迭代融合,得到最终检测结果.实验结果表明,用本文方法检测车辆的捕获率达到99.0%,有效率为92.5%;与使用单一自适应背景提取方法相比,在实际交通场景中可有效处理阴影导致的多目标粘连问题,检测结果更准确.     

混合交通流视频检测中区域选择更新混合高斯背景模型研究

混合交通是我国交通的主要特征，利用视频检测技术可以获取混合交通流参数，实现混合交通的有效管制，由于检测过程中天气、光线等环境变化，实时有效的自适应背景提取模型尤其重要。本文在混合高斯模型的基础上，根据运动分割与Kalman运动跟踪，结合象素的时间与空间特性，提出区域选择更新混合高斯模型来抽取背景，克服了交通控制信号或交通阻塞等造成的长时间停车，以及高峰期大量运动物体长期充满当前图像等情况对背景抽取造成的影响，该模型通过对交叉口和路段视频进行背景提取，实验效果良好，证明了本方法具有较强的鲁椿性和自适应性。     

运动车辆检测的APG-TR算法

为了提高智能交通系统中运动车辆检测的准确率,提出了一种基于张量恢复的APG-TR算法。采用张量表征交通视频图像,保持视频图像高维结构特征。通过张量恢复,重建出张量的低秩部分与稀疏部分,实现交通视频图像中交通背景与运动目标车辆的分离与交通视频内在特征的提取。利用交通监控系统采集到的交通视频106帧图像对本文算法进行了测试。测试结果表明:在晴天条件下,APG-TR算法的平均正确率为91.4%,在雨、雾天气条件下,正确率分别为86.4%、85.2%,相比帧差法更加稳定与准确。APG-TR算法具有良好的收敛速度与鲁棒性,在智能交通领域中具有广泛的应用前景。     

改进MOG-LRMF 的铁轨动态异物检测

针对复杂铁路环境下动态入侵异物检测精度低和抗扰能力差等问题，提出一种基于改进MOG-LRMF算法的铁路轨道异物入侵实时检测方法. 引入仿射变换，对视频序列可能出现的抖动进行预校正处理；分析MOG-LRMF模型特点，利用MOG模型对视频帧中的背景进行建模，用前一帧背景中学习到的知识对当前帧背景进行预测，优化MOG-LRMF参数求解模型；利用EM算法对改进MOG-LRMF模型进行参数求解，实现背景在线实时更新. 实验结果表明，改进的MOG-LRMF算法在光照充足、光线较弱、相机存在抖动、背景复杂及存在多个目标情形下都能提高目标检测精度，具有较好的抗干扰性、鲁棒性和快速性.     

运动车辆检测与跟踪方法

为提高城市智能交通综合管理能力,提出了基于视频分析的运动车辆检测与跟踪方法。在城市交通干道路面环境中,根据运动目标与道路背景统计特性的差异,基于贝叶斯概率准则,提出一个自适应背景更新算法,检测分离运动车辆目标前景,采用卡尔曼滤波器实现对视频序列中车辆目标的运动检测与实时跟踪,并对在重庆某交通干道的交通流视频进行检测。试验结果表明:该方法在常规视频分辨率下能实现实时处理视频,平均检测准确率为94%,具有较好的实时性与鲁棒性,能够实现城市交通环境中各类运动车辆的检测与跟踪。