背景建模

摘要： 针对背景差分法不能提取出目标的完整区域,大多数光流法计算耗时等问题,提出基于卡尔曼滤波的高斯混合模型目标检测算法。首先采用卡尔曼滤波背景建模法对输入的前景信息进行滤波,得到预测背景模型并更新;根据规定的高斯模型表征图像中各个像素点的均值、方差和权值,在输入下一帧图像后重新计算混合高斯背景模型;设置合适的阈值,比较权值与方差的比例确定前景目标像素点。仿真结果表明,与经典算法相比,该算法可以实时准确地检测运动目标,对场景变化、目标移动情况具有较好的鲁棒性。

摘要： 针对基本ViBe算法在进行移动目标检测时存在“鬼影”现象的问题,文中分析产生“鬼影”现象的原因,并提出一种改进ViBe算法的移动目标检测方法。改进ViBe算法在进行初始化时,初始背景模型的建立方式由基本ViBe算法从待检测视频序列第一帧每个像素点的8邻域随机抽取N个像素样本点,改变为从待检测视频序列前4帧每帧图像像素点的24邻域随机抽取5个像素样本点。改进后的初始化方式扩大了抽取像素样本点的范围,减轻了移动目标存在于待检测视频序列第一帧时的影响。为检验文中改进ViBe算法的效果,在highway数据集、pedestrians数据集和Views_001数据集上进行验证。移动目标检测结果表明,与基本ViBe算法相比,文中提出的改进算法能够加快消除“鬼影”现象的速度,移动目标检测的效果更好。

摘要： 文章针对扶梯场景下的背景建模,通过在线子空间学习(OnlinePCA)来更新背景的低维特征空间,并计算场景像素与该背景空间的距离来进行前景分割,能够有效地学习背景像素的时间分布信息,增量地更新已获得的特征子空间模型。该方法充分地挖掘了场景象素的时空冗余信息,从而使背景模型能够自适应地跟踪场景的动态变化。

摘要： 针对ViBe算法对光照突变不敏感以及由于背景存在大量高频扰动对象而被误检为前景的问题,在经典ViBe算法的基础上提出了改进方法。采用分离视频帧HSV空间中V分量均值作为判断光照突变的方法,由实验得到判断光照突变的阈值Δω=0.1作为判别条件,若光照发生突变则采用突变平稳后的视频帧作为初始帧重新建模,以此解决光照突变问题,由于算法初始建模时存在运动目标会产生“鬼影”的情况,采用连续两帧差分背景模型的方法去除“鬼影”,并提出判断扰动强弱情况的扰动强度因子概念,根据扰动强度因子强弱程度,动态的改变背景建模时匹配半径的大小。实验表明,改进ViBe算法在光照突变和背景高频扰动情况下比原算法的误检率平均降低6%左右,且能够达到实时检测的效果。

摘要： 提出了一种基于运动分析的行为检测方法,用于行人异常行为的检测。利用HSV色彩空间变换法抑制阴影,利用三帧法建立初始化背景模型。将所提取的连续三帧图像的背景像素进行填充融合以实现背景图像的重构,进而更新背景图像,最终完成背景图像的建立。将大津法(Otsu)和背景差分法进行融合以自适应检测前景目标,将目标区域的质心差值、矩形宽高比和倾斜角度的多个特征进行融合,判定异常目标的异常行为。采用国际视频以及自己拍摄的视频进行实验,结果表明该方法能够准确判别行人的行走、跌倒、奔跑行为,并对可能发生的异常行为进行预警,检测准确率最高可以达到97%。

摘要： 该文对人群异常检测任务进行了研究,针对人群场景视频背景较冗余,易受光线与噪声影响以及实际部署等问题,提出了人群异常多尺度特征记忆网络(CaMsm-net)。为了从多角度判别异常的发生,并将各类信息更好地融合,该网络采用了一种双支路共享单元结构,将原始帧与经背景建模后的帧同时输入网络结构中,分别对两条支路进行预测,采用预测误差进行异常的判定,并且从实际应用角度出发,框架结合了深度可分离卷积、数据扩增等方法,保障了检测的准确性与部署的可行性。在公开的美国明尼苏达大学(UMN)人群数据集与实际监控下的火车站出站口数据集中的实验表明,曲线下面积(AUC)指标分别达到了99.2%与84.1%,平均检测准确率分别为95.9%与81.7%,证明了所提算法能够较好地检测到各类人群异常现象的发生,并具有更广的适用性。

摘要： 在雨雪天气、树叶晃动、水面闪烁等有复杂背景的可见光与红外场景中,快速准确地提取完整目标一直是运动目标检测中的首要难题。为了满足实时性,并针对现有视频的前景提取算法依赖先验信息、召回率低、缺乏纹理和噪声较大等问题,提出了一种基于直方图统计和改进的局部二值模式(Local Binary Pattern,LBP)纹理特征相结合的背景建模方法。首先,使用各像素直方图的众数作为参考背景,无需先验知识,节省了大量存储空间,再采用邻域补偿策略提出了一种改进的S_MBLBP纹理直方图与参考背景进行背景建模,消除了大部分动态背景和光照变化影响,实现目标的精确提取。实验表明,所提的算法在红外和可见光的多种复杂场景下,能快速提取前景目标的同时,提高了准确率和召回率。

摘要： 针对路侧激光雷达摆动和背景动态变化导致背景提取困难的问题,提出了一种考虑路侧激光雷达摆动的背景建模及动态更新方法。根据点云纵坐标构建点云高度矩阵并进行时域中值滤波构建背景模型,计算目标点云与背景模型的高度差,提出一种动态阈值选取策略实现对背景点云的滤除。此外,基于点云高度矩阵帧差实现背景模型的更新。对比试验结果表明,所提出的方法背景点滤除率保持在98%以上,目标点提取率保持在93%以上,所提出的方法相比于现有的方法具有更高的准确率和稳定性,单帧点云的处理时间约为32 ms,可满足智能交通系统的实时性需求。

摘要： 自然环境复杂多变,存在复杂天气如雨雪雾,草木摇晃和水面波动等大量动态背景并且光线不断变化,因此对噪声以及背景的抑制一直是复杂场景中运动目标检测的首要难题。为了抑制动态背景、慢速目标被吸收以及图像编码噪声等问题,在保证实时性的基础上,提出了一种基于纹理特征的自适应阈值运动目标检测算法。所提算法将感知哈希算法与局部二值模式结合,提出了一种改进的Hash_LBP算法并使用汉明距离进行约束,得到输入图像的局部二值模式值进行频次统计后,完成背景建模和前景提取。实验结果表明,所提算法对于红外和可见光等多种复杂背景,能够有效地抑制噪声、光照变化和动态背景,快速准确提取前景目标。

摘要： 针对电扶梯通行人员摔倒检测的场景,本研究设计了有一种基于图嵌入学习的摔倒检测方法.首先由图嵌入理论学习正样本的模式空间,结合量子空间背景建模算法以及深度学习CNN卷积神经网络,构建起鲁棒的观测模型,并通过该观测模型获得样本的置信概率,保持一次检测只有一个目标和一个节点输出,同时在当前输出节点检查更新相应值,提升计算速度.该方法可以有效地将样本的分布特性嵌入到图学习框架中,从而获得更符合实际的目标模式子空间,当图像存在遮挡或局部噪声时,识别算法有较好的鲁棒性.

摘要： 本文主要研究了多种背景建模算法对于复杂场景下的建模效果，实验结果发现有些算法对于光照的渐变比较敏感，有些算法不能很好的去除动态背景的干扰，如抖动的树叶等，所以并没有某种背景建模算法可以适合任何场景，针对不同场景下的背景建模应该采用合适的背景建模算法。在新提出的背景建模算法中，可以发现有以下三个重要的特点：将具有不同优势的背景建模算法相互结合提出建模效果更好的算法，如将LBP特征与混合高斯的背景建模相结合；在建模中同时考虑时间上和空间上的特点从而进行改进；因为在智能监控视频领域，具有一定实时性的要求，所以新的建模算法会更加侧重于实时性。

摘要： 本文提出了一种快速背景建模方法，有效利用了时空相关性并消除了时空中的冗余信息。通过在空间域上建立适当数目基于像素强度的全局高斯模型，然后在时域中采取由粗到细的两步更新策略，实现前景和背景的分离。本方法不仅突破了传统算法中时空结合的简单叠加，而且消除了因目标在场景中缓慢运动和暂驻引起的前景蚕食现象。实验结果表明，本文算法不仅鲁棒性好，更重要的是运算速度快，占用系统资源少，具有很好的应用前景和价值。

摘要： 背景差分是运动目标检测的常用方法,其核心在于所使用的背景模型。本文将连续核密度逼近理论应用于背景建模中,提出了一种新的动态背景建模方法,并设计出了一种有效的基于该模型的运动目标检测算法。经过大量标准序列的测试,以及与混合高斯模型和核密度预测模犁相比较,得出连续核密度逼近能有效应用于背景建模,本文给出的运动目标检测方法具有较高的准确性,能有效应用于各种实时测系统中。

摘要： 针对铁路客运站复杂环境中行人目标难以跟踪的问题,本文提出一种融合背景建模和kalman滤波器的Mean-shift跟踪算法.首先采用行人目标的颜色直方图对图像目标概率密度进行快速估计;同时采用Kalman滤波器对目标的运动速度和位置进行预测.其次,通过背景图像对目标概率密度进行滤波,通过预测的运动速度对目标概率密度进行加权;以减少背景中静止像素和运动像素对Mean-shift算法的影响.最后,利用预测的目标位置对Mean-shift的结果进行修正;并更具修正结果和目标匹配程度对行人目标颜色直方图进行更新.实验结果表明:与传统Mean-shift算法相比,本算法对背景干扰、目标遮挡、目标姿态和大小改变具有鲁棒性;可以很好地解决在铁路客运站复杂环境中行人跟踪存在的行人相似、行人之间遮挡、行人姿态和大小改变的问题.

摘要： 本文从人类认知角度出发，将人类记忆机制引入到视觉信息处理过程，建立了基于记忆机制的视觉信息处理模型，并对模型进行了定义和详细描述。每一个信息元都要经过瞬时记忆、短时记忆和长时记忆三个空间的传输和处理。为了验证所提模型在计算机视觉信息处理中的效果，本文将其应用于计算机视觉研究中的背景建模与运动目标跟踪，分别提出了基于记忆的混合高斯背景建模方法和基于记忆的粒子滤波运动目标跟踪方法。实验结果表明，该模型能够较好地解决背景突变和目标遮挡问题。

摘要： 针对背景减法检测的目标存在空洞、割裂的现象,提出了一种改进的目标检测算法。使用基于聚类的方法背景建模,将背景减与对称差分提取的运动目标边缘相结合,并提出更加准确背景更新准则,可以有效提取完整的运动目标,同时改进两轮扫描法,大大提高目标分割速度。实验结果表明,该方法快速有效,为在DSP等硬件系统上实现实时目标检测提供了有利条件。

摘要： 目前由于车辆的阴影存在对计算机的跟踪处理有很大的不良后果和影响,所以如何有效地消除运动车辆的阴影是本篇论文主要研究的内容.本篇论文就是要解决这个问题,我要对现有的图像裁剪阴影的算法进行优化工作,在计算机进行图像分析的同时应用本算法快速的裁剪车辆所形成的阴影,精确定位场景中运动的对象,以便得到正确的车辆信息.本方法充分利用阴影部分图像亮度虽然变化,但颜色饱和度基本不变化这一特性,将运动图像分割成若干小块图像,比对前、后两帧视图中对应小块图像的亮度和颜色饱和度的变化情况,确定非影子区域,从而精确定位实际运动物体.

摘要： 目前由于车辆的阴影存在对计算机的跟踪处理有很大的不良后果和影响,所以如何有效地消除运动车辆的阴影是本篇论文主要研究的内容.本篇论文就是要解决这个问题,我要对现有的图像裁剪阴影的算法进行优化工作,在计算机进行图像分析的同时应用本算法快速的裁剪车辆所形成的阴影,精确定位场景中运动的对象,以便得到正确的车辆信息.本方法充分利用阴影部分图像亮度虽然变化,但颜色饱和度基本不变化这一特性,将运动图像分割成若干小块图像,比对前、后两帧视图中对应小块图像的亮度和颜色饱和度的变化情况,确定非影子区域,从而精确定位实际运动物体.

摘要： 目前由于车辆的阴影存在对计算机的跟踪处理有很大的不良后果和影响,所以如何有效地消除运动车辆的阴影是本篇论文主要研究的内容.本篇论文就是要解决这个问题,我要对现有的图像裁剪阴影的算法进行优化工作,在计算机进行图像分析的同时应用本算法快速的裁剪车辆所形成的阴影,精确定位场景中运动的对象,以便得到正确的车辆信息.本方法充分利用阴影部分图像亮度虽然变化,但颜色饱和度基本不变化这一特性,将运动图像分割成若干小块图像,比对前、后两帧视图中对应小块图像的亮度和颜色饱和度的变化情况,确定非影子区域,从而精确定位实际运动物体.

摘要： 目前由于车辆的阴影存在对计算机的跟踪处理有很大的不良后果和影响,所以如何有效地消除运动车辆的阴影是本篇论文主要研究的内容.本篇论文就是要解决这个问题,我要对现有的图像裁剪阴影的算法进行优化工作,在计算机进行图像分析的同时应用本算法快速的裁剪车辆所形成的阴影,精确定位场景中运动的对象,以便得到正确的车辆信息.本方法充分利用阴影部分图像亮度虽然变化,但颜色饱和度基本不变化这一特性,将运动图像分割成若干小块图像,比对前、后两帧视图中对应小块图像的亮度和颜色饱和度的变化情况,确定非影子区域,从而精确定位实际运动物体.

摘要： 本发明公开了一种长时间背景收集的背景建模方法，包括如下步骤：步骤1：提取视频序列第一帧作为初始化图像矩阵initMat，initMat大小为width×height，单位为像素；步骤2：根据initMat初始化背景模型；步骤3：依次读取视频序列中的帧frame，进行背景建模；步骤4：输出mask与bk矩阵，mask中值为255的像素点即为移动物体的像素点、0为背景像素点，bk矩阵为背景模型。本发明的优点是：本发明能够在视屏序列中，在视频序列开始便可分离视频中的前景和背景，长时间收集背景像素后，可达到背景建模的效果。

摘要： 本发明属于视频分析领域，为实现对视频序列的背景进行准确的在线的恢复。本发明采取的技术方案是，基于在线低秩背景建模的视频序列背景恢复方法，在传统的背景建模基础上引入核范数的低秩矩阵分解和二值化的运动信息估计，从而解决已有技术无法处理的问题。本发明包括下列步骤：1)将视频序列中背景恢复问题具体地表述为求解如下无约束优化方程：2)构建第k帧运动映射权重向量wk：3)使用交替方向法进行求解：4)求解5)求解6)重复上述步骤4)、5)直到算法收敛；7)使用变量代换进行求解：8)求解9)求解10)重复上述步骤8)、9)直到算法收敛；11)求解视频背景。本发明主要应用于视频分析场合。

摘要： 本发明涉及一种基于动态背景自适应的改进ViBe背景建模算法，该算法包括：初始化背景模型，设置初始决策阈值和更新率；提取帧差图像子块标准差作为动态背景表征；利用ViBe前景修正动态背景特征，在此基础上构造并提取时空动态背景特征(TSD特征),然后根据该特征自适应调整决策阈值和更新率；根据得到的决策阈值和更新率，利用反馈机制不断地更新决策阈值、更新率以及背景模型；最终将获取视频的前景图像进行形态学后处理。该算法相较于Vibe算法，提高了算法在动态背景下的检测性能，降低了误检率。

摘要： 本发明实施例提供了一种背景建模方法及用于背景建模的相机，从采集的视频图像序列中，获取一帧图像，分别统计该图像中各像素点的预设邻域范围内所有像素点的像素值以及每个像素值的统计数目，根据针对各像素点分别统计的像素值及每个像素值的统计数目，建立各像素点对应的背景子模型，利用各像素点对应的背景子模型，搭建视频图像序列的背景模型。通过本方案，利用像素值的计数方式，即可建立较为准确的背景模型，无需经过复杂的建模、计算过程，提高了背景建模的速度和效率。

摘要： 本发明公开了一种基于图像块的背景建模方法及背景建模装置。该方法包括步骤：(1)对每帧图像进行分块；(2)对每个分块划分出16个4*4的小块；(3)对每个4*4的小块求均值；(4)将每个均值作为特征值与高斯模型进行匹配；(5)根据运算判断出每个宏块为前景块或背景块。本发明还相应提供一种背景建模装置。本发明提供的技术方案不仅可以克服传统方法中背景模型以单个像素的形式建立造成系统执行效率不高的缺点，而且采用简便有效的方法对宏块进行判断，运算复杂度低并且检测准确。

摘要： 本发明提供了一种基于背景建模技术提高静态背景视频压缩率的方法。在本发明中，对视频画面进行背景建模，根据每个像素点被判别为背景的概率进行连续的差异化编码，使得大概率为背景的像素点在码率控制中倾向于获得更少比特的编码，从而提高压缩率。由于概率函数是连续的，编码策略可相应地进行连续调整，从而在保证压缩性能的基础上，消除视觉上的画质差异感，提高用户感知。

摘要： 本发明公开了一种长时间背景收集的背景建模方法，包括如下步骤：步骤1：提取视频序列第一帧作为初始化图像矩阵initMat，initMat大小为width×height，单位为像素；步骤2：根据initMat初始化背景模型；步骤3：依次读取视频序列中的帧frame，进行背景建模；步骤4：输出mask与bk矩阵，mask中值为255的像素点即为移动物体的像素点、0为背景像素点，bk矩阵为背景模型。本发明的优点是：本发明能够在视屏序列中，在视频序列开始便可分离视频中的前景和背景，长时间收集背景像素后，可达到背景建模的效果。

摘要： 本发明涉及一种基于背景建模与背景差分的激光目标检测方法和装置。该方法包括以下步骤：1)利用混合高斯背景建模方法和卡尔曼滤波方法，对视频帧序列以及差分反馈信号进行背景建模，得到背景图像；2)将当前视频帧与所述背景图像相减，得到差分图像；3)对所述差分图像进行滤波、去噪等处理以提高信噪比；4)通过光斑定位算法检测所述差分图像中背景干扰下的激光光斑，实现激光目标检测。本发明利用背景的参数模型来近似背景图像的像素值，将当前帧与背景图像进行差分，实现对运动区域的检测，结合高斯分布以及卡尔曼滤波的背景建模能够很好的模拟实时背景的变化，能够有效地抑制背景噪声干扰，实现对激光信号的捕获。

摘要： 本发明公开了一种基于特征模型到背景模型距离的背景建模方法，通过训练好的网络建立像素点的特征模型，再根据前N帧图像训练所得结果，得到像素点的背景模型，并用最小M2M距离，即特征模型到背景模型的距离，来衡量像素点的特征模型和背景模型之间的相似度，再根据设定的阈值与最小M2M距离的比较，对像素点进行前景点和背景点的分割，之后再利用M2M距离对像素点背景模型和其邻域像素点背景模型进行更新。本发明充分利用像素点的基于时空上下文的特征信息，使背景建模具有很好地适应性和准确性。

摘要： 本发明属于视频分析领域，为实现对视频序列的背景进行准确的在线的恢复。本发明采取的技术方案是，基于在线低秩背景建模的视频序列背景恢复方法，在传统的背景建模基础上引入核范数的低秩矩阵分解和二值化的运动信息估计，从而解决已有技术无法处理的问题。本发明包括下列步骤：1)将视频序列中背景恢复问题具体地表述为求解如下无约束优化方程：2)构建第k帧运动映射权重向量wk：3)使用交替方向法进行求解：4)求解5)求解6)重复上述步骤4)、5)直到算法收敛；7)使用变量代换进行求解：8)求解9)求解10)重复上述步骤8)、9)直到算法收敛；11)求解视频背景。本发明主要应用于视频分析场合。