背景减除

摘要： 传统背景减除模型在背景静止和前景对象移动较快时提取到的前景效果较好,但当背景变化或前景对象移动缓慢时容易将动态背景误判为前景或检测出的前景有较多空洞。针对传统背景减除模型在动态背景和前景对象移动缓慢条件下存在前景检测精度下降的问题,提出一种基于l_(1/2)范数与显著性约束的背景减除模型。将观测数据分为低秩背景、运动前景和动态干扰3类,利用l_(1/2)范数约束运动前景加强前景稀疏性,有效抑制动态背景对前景提取造成的干扰,提高运动前景在动态背景中的检测精度。引入视频每一帧的显著性约束,通过对每一帧图像进行低秩稀疏分解来检测移动缓慢的目标。实验结果表明,该模型对于复杂场景具有较强的适应能力,可有效去除动态背景对前景的干扰,快速检测出移动缓慢的前景对象,相比于l_(1/1/2)-RPCA背景减除模型的平均查全率、查准率和调和平均值分别提升了9、14和10个百分点。

摘要： 背景减除是实现运动目标检测的关键技术,其检测的结果直接影响目标识别、追踪等后续应用的性能。传统背景减除算法无法应对复杂场景的目标检测。为解决复杂场景的前景分割问题,文章分析了3种基于深度神经网络的背景减除算法,重点介绍了算法结构和工作原理,通过实验验证了3种方法的实际性能,性能相比传统背景减除算法得到了极大提升。

摘要： 提出了一种用于单光子雪崩二极管图像传感器的超高速目标定位处理器。它由一个处理阵列,一个Y特征向量生成器和一个位置计算器组成,能够进行噪声减除和目标定位处理。设计了一种省略了乘法和减法运算的高斯滤波和背景减除法,降低了计算复杂度和硬件资源消耗,并显著地提高了处理速度。整个处理器在FPGA开发板上实现,实验结果表明,该处理器能够以100 000帧/s的速度实时处理128×128分辨率的脉冲图像,并定位其中的运动物体。本文提出的处理器架构同样可用于其他脉冲图像传感器。

摘要： 生成式对抗网络在图像属性编辑领域的表现十分优秀,在良好的训练样本集下,设计合理的模型能够对图像背景进行替换.针对训练集中两类背景图像存在较大偏差的情况下,模型无法生成期望图像的问题,提出了一种基于改进GeneGAN的图像背景替换方法.以无人机图像为例,在主干网络GeneGAN下,通过背景减除方法获得偏差小的差值图像,替换GAN模块判别器的输入;利用基于背景先验知识的强约束项,消除生成图像的"残影"干扰,最终获得高质量的背景替换图像.实验结果表明,成功实现了图像背景替换,并在各类复杂背景下能鲁棒地生成高质量图像.

摘要： 针对常用背景减除方法忽略前景时空连续性的问题,以及动态背景对前景提取的干扰问题,基于张量鲁棒主成分分析(TRPCA)提出了一种改进的背景减除模型.该模型利用改进的张量核范数对背景进行约束,加强了背景的低秩性,保留了视频的空间信息;然后用3D全变分(3D-TV)对前景进行正则化约束,考虑了目标在时空上的连续性,有效地抑制了动态背景和目标移动对前景提取造成的干扰.实验结果表明,所提算法能有效地分离视频中的前景和背景,且与高阶鲁棒主成分分析(HoRPCA)、带有新核范数的张量鲁棒主成分分析(TRPCA-TNN)和基于克罗内克基的鲁棒主成分分析(KBR-RPCA)等方法相比,综合评判指标F-measure值均处于最优或次优状态.由此可见,所提算法有效地提高了前景背景分离的准确度,抑制了复杂天气和目标移动对前景提取的干扰.

摘要： 工业烟尘排放时的烟气黑度自动监测对提高环保质量和指导生产过程具有重要的应用价值,针对传统的高斯混合模型在进行背景建模时,参数是在固定帧值的基础上进行参数更新,导致烟尘检测不准确等问题,提出一种自适应变步长高斯混合模型的工业烟尘图像分割方法.根据烟尘变化速度不均匀的特点,通过分析检测出烟尘与实际烟尘的检出率和检准率的和的最大值,计算熵值差变化率对应的最佳步长,得到熵值差变化率与最佳步长的模型.以熵值差变化率为依据,确定最佳步长,得到一个关于熵值差变化率与最佳步长的模型.以熵值差变化率为输入,以最佳步长为输出,在广义回归神经网络(GRNN)得到适用于本文工业烟尘图像分割的网络模型.最后,在多个场景的烟尘视频中进行分割实验,结果表明,本文中方法能够有效的分割出视频中烟尘区域,且具有一定的适用性.

摘要： 运动目标检测是机器视觉领域中的关键技术之一,其在视频运动目标检测、遥感信息处理和军事侦察等领域有广泛的应用.考虑到视频中相邻视频帧背景相似性高且时间连续性长,而阴影和噪声具有非连续性的特征,文中提出一种时间连续性约束的低秩分解背景更新模型,并将其应用于背景模型减除的视频运动目标检测.该方法首先对视频进行低秩分解,获得低秩分量和稀疏分量;然后基于连续性约束背景更新模型更新低秩分量,构建背景;最后通过背景减除及自适应阈值分割获得运动目标.实验结果表明,无论是FM指标还是ROC曲线都反映出所提方法相比目前较好的背景减除方法能够有效克服阴影和噪声的影响,避免"空洞",更准确地提取运动目标,且鲁棒性好.

摘要： Aiming at the problem that dimensionality disaster easily occurs in the processing of dealing with video data, a dimension reduction method called Linear Sequence Discriminant Analysis (LSDA) is proposed for human action recognition.ViBe algorithm is used to subtract the backgrounds of video frames to get action areas, and dense trajectories are extracted in these areas to suppress the noise caused by camera movements.Fisher Vector is used to encode the features and linear sequence discriminant analysis is conducted on them, the sequence class separability is measured by dynamic time warping distance.In order to reduce the data dimension, a linear discriminative projection of the feature vectors in sequences is mapped to a lower-dimensional subspace by maximizing the between-class separability and minimizing the within-class separability.Support Vector Machine (SVM) is learned from the reduced dimension features, and then get the results of human action recognition.Simulation results on KTH datasets and UCF101 datasets show that compared with Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA) and other dimension reduction methods, the proposed method can effectively improve the recognition accuracy.%在视频数据处理过程中容易出现维数灾难的问题.为此, 提出一种线性序列差异分析方法, 对视频数据降维来进行人体行为识别.运用ViBe算法对视频帧进行背景减除操作获取行为区域, 在该区域内提取稠密轨迹特征从而去除背景数据的干扰.使用Fisher Vector对特征编码后进行线性序列差异分析, 采用动态线性规整算法计算序列类别间相似度, 得到最小化类内残差和最大化类间残差的线性变换, 将特征从高维空间投影至低维空间, 降低特征维数.利用降维后的特征训练支持向量机, 实现人体行为识别.在KTH数据集和UCF101数据集上进行数据仿真, 结果表明, 与主成分分析算法、线性判别分析法等相比, 该方法可有效提高识别准确率.

摘要： 针对监控视频在压缩采样过程中混入冲击噪声后的背景减除问题,提出一种基于Welsch M-估计与张量分解正则化的鲁棒视频重构与分解模型.为削弱冲击噪声对重构性能的影响,引入Welsch M-估计替代均方差作为衡量重建误差的代价函数.在张量框架下,将背景在不同维度、不同场景下的低秩差异性先验引入背景建模,得到重构与分解模型,并基于半二次理论和多块交替方向乘子方法给出相应的优化求解算法.实验结果表明,与SpaRCS、CS-L1PCA等算法相比,该算法在混入冲击噪声情况下,仍能保持视频重构与分解的鲁棒性.

摘要： 从图像中自动准确的分离对象和背景已经成为视觉研究领域研究的基本问题和难点问题,背景减除技术是解决这一问题的关键技术.针对背景减除效果受光线强度变化影响剧烈,本文提出运用改进的图割算法解决这一难题。算法利用颜色衰减模型和对比度衰减模型,对能量公式中的颜色分量和对比度分量提出改进.针对分离出的二值图像,本文还提出利用形态学操作和空洞填充策略予以优化补偿.文章最后通过实验结果证明算法的有效性。

摘要： 对视频图像中的人体行为进行分析研究是近年来计算机视觉研究中备受广大学者关注的一个前沿领域，对于传统的人体运动目标的检测方法大概可分为3种类型：背景减除法，帧间差分法及光流法。对于固定摄像机的平行于镜面的单目标人体运动的检测，文中对背景减除法中的混合高斯建模方法进行改进，提出了基于背景分析的混合高斯分析背景建立数学模型，克服了传统的混合高斯建模固有的一些比较大的缺点。

摘要： 对运动目标分割，标记运动区域，是智能视频关键技术之一。本文结合像素时序的背景建模，引入了基于梯度的空间特征，以提高检测的精确度；针对背景减除法存在的两难问题，提出了为每一个运动目标建立速度属性的想法，以速度特征来指导背景模型的更新。实验结果表明，该检测算法更具有时效性和鲁棒性。

摘要： 本文针对视频监控系统中运动目标检测方法进行研究，提出一种将背景减除和三帧差分相互融合的目标检测方法。该方法通过高斯模型对图像序列中每一个像素点构建自适应背景模型，并结合帧间差分法所得信息进行选择性背景更新，将两种方法得到的检测结果进行或运算得到运动图像的前景部分，并对其采用中值滤波和数学形态学运算去除噪声及小面积非人体运动部分，最终得到完整可靠的运动目标图像。实验结果证明该方法准确率高，适应能力与抗干扰能力较强，能满足实时性的要求。有一定的实际应用价值。

摘要： 高速公路场景复杂且光照变化频繁，故获取真实的前景较为困难。rn 使用具有光照不变性且运算简单的LBP直方图向量代替灰度值，将基于codebook的背景建模方法加以改进。此方法能快速跟随背景变化，兼顾运算量和光照不变性，有效消除车道线、左右车道间栅栏以及阴影干扰，从而得到真实的前景分割。继而使用基于无向最优图的目标跟踪。方法可实现异常事件的实时检测，且准确率大于95％。

摘要： 高速公路场景复杂且光照变化频繁，故获取真实的前景较为困难。rn 使用具有光照不变性且运算简单的LBP直方图向量代替灰度值，将基于codebook的背景建模方法加以改进。此方法能快速跟随背景变化，兼顾运算量和光照不变性，有效消除车道线、左右车道间栅栏以及阴影干扰，从而得到真实的前景分割。继而使用基于无向最优图的目标跟踪。方法可实现异常事件的实时检测，且准确率大于95％。

摘要： 高速公路场景复杂且光照变化频繁，故获取真实的前景较为困难。rn 使用具有光照不变性且运算简单的LBP直方图向量代替灰度值，将基于codebook的背景建模方法加以改进。此方法能快速跟随背景变化，兼顾运算量和光照不变性，有效消除车道线、左右车道间栅栏以及阴影干扰，从而得到真实的前景分割。继而使用基于无向最优图的目标跟踪。方法可实现异常事件的实时检测，且准确率大于95％。

摘要： 高速公路场景复杂且光照变化频繁，故获取真实的前景较为困难。rn 使用具有光照不变性且运算简单的LBP直方图向量代替灰度值，将基于codebook的背景建模方法加以改进。此方法能快速跟随背景变化，兼顾运算量和光照不变性，有效消除车道线、左右车道间栅栏以及阴影干扰，从而得到真实的前景分割。继而使用基于无向最优图的目标跟踪。方法可实现异常事件的实时检测，且准确率大于95％。

摘要： 高速公路场景复杂且光照变化频繁，故获取真实的前景较为困难。rn 使用具有光照不变性且运算简单的LBP直方图向量代替灰度值，将基于codebook的背景建模方法加以改进。此方法能快速跟随背景变化，兼顾运算量和光照不变性，有效消除车道线、左右车道间栅栏以及阴影干扰，从而得到真实的前景分割。继而使用基于无向最优图的目标跟踪。方法可实现异常事件的实时检测，且准确率大于95％。

摘要： 高速公路场景复杂且光照变化频繁，故获取真实的前景较为困难。rn 使用具有光照不变性且运算简单的LBP直方图向量代替灰度值，将基于codebook的背景建模方法加以改进。此方法能快速跟随背景变化，兼顾运算量和光照不变性，有效消除车道线、左右车道间栅栏以及阴影干扰，从而得到真实的前景分割。继而使用基于无向最优图的目标跟踪。方法可实现异常事件的实时检测，且准确率大于95％。

摘要： 本发明公开了一种基于背景减除的静态背景视频自适应压缩方法，目的是解决静态背景视频数据压缩比低、存储成本高的问题。技术方案是先构建由背景减除模块、目标跟踪模块、分布规划模块和视频压缩合成模块组成的静态背景视频压缩系统。背景减除模块对视频帧进行背景减除，得到视频帧的前景目标外接框和背景图片；目标跟踪模块对视频帧的前景目标外接框进行跟踪，得到前景目标的运动轨迹管道T；分布规划模块对T进行标签分配，得到T在压缩结果中的标签集合L；视频压缩合成模块对T、L、背景图片集合进行合成压缩，得到视频压缩结果图片集合。采用本发明可实现对静态背景视频的极限压，压缩比高、信息损失率低，存储空间大大降低。

摘要： 提供更新用于图像的背景减除的背景模型的方法和装置。该方法包括：接收图像，以及通过使用背景模型(240)执行背景减除来将图像中的区域(226)分类为前景。该背景模型包括针对图像中的每个像素(228)的背景样本(248、248b、248c、248d)的集合。背景样本的集合被布置在背景图像(242a、242b、242c、242d)的串列中。该方法进一步包括：将图像的被分类为前景的区域中的图像内容更换为串列中的背景图像中的对应区域的图像内容，以及通过重新布置各自指向串列中的背景图像之一的指针(244a、244b、244c、244d)的集合，来将图像添加到背景图像的串列中，使得指针之一改为指向该图像。

摘要： 本发明实施例公开了一种背景减除的方法、装置、设备及存储介质。该方法包括：对于每一帧视频图像，将输入图像每个像素的特征与初始背景模型库中的至少一个背景模型在同一像素处的特征进行比较；根据特征比较结果，判断所述输入图像的每个像素是否为背景元素；若是，对所述背景模型对应的模型调整参数进行更新；根据所述模型调整参数对所述初始背景模型库进行调整，得到目标背景模型库，根据目标背景模型库，构建输入图像对应的初始前景标志图，对初始前景标志图进行后处理操作，获得目标前景标记图像。本发明实施例通过特征比较及更新模型调整参数的方式，动态调整背景模型，得到最终的目标背景模型，该背景减除方法的检测能力较敏感，能够取得较好的前景检出率。

摘要： 本公开内容涉及一种面向夜间环境下的背景减除算法，该方法包括接收用于AMBER的背景模型以及当前帧；利用LBSP算子并根据像素分类阈值将所述当前帧的像素位置分类为背景点类和前景点类；将所述前景点类进一步分类为感兴趣的目标以及闪烁像素；以及针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和所述背景模型的更新率。依据本公开内容的背景减除方法利用原AMBER背景减除方法中的背景模型并将LBSP算子引入像素分类阶段，进而通过学习关联区域并利用学习结果动态调整特定的像素位置及其周边的像素位置的像素分类阈值及背景模型的更新率，从而使得应用在夜间拍摄的视频序列中时能够获得更为精确的检测结果。

摘要： 本发明公开了一种基于背景减除的静态背景视频自适应压缩方法，目的是解决静态背景视频数据压缩比低、存储成本高的问题。技术方案是先构建由背景减除模块、目标跟踪模块、分布规划模块和视频压缩合成模块组成的静态背景视频压缩系统。背景减除模块对视频帧进行背景减除，得到视频帧的前景目标外接框和背景图片；目标跟踪模块对视频帧的前景目标外接框进行跟踪，得到前景目标的运动轨迹管道T；分布规划模块对T进行标签分配，得到T在压缩结果中的标签集合L；视频压缩合成模块对T、L、背景图片集合进行合成压缩，得到视频压缩结果图片集合。采用本发明可实现对静态背景视频的极限压，压缩比高、信息损失率低，存储空间大大降低。

摘要： 提供更新用于图像的背景减除的背景模型的方法和装置。该方法包括：接收图像，以及通过使用背景模型(240)执行背景减除来将图像中的区域(226)分类为前景。该背景模型包括针对图像中的每个像素(228)的背景样本(248、248b、248c、248d)的集合。背景样本的集合被布置在背景图像(242a、242b、242c、242d)的串列中。该方法进一步包括：将图像的被分类为前景的区域中的图像内容更换为串列中的背景图像中的对应区域的图像内容，以及通过重新布置各自指向串列中的背景图像之一的指针(244a、244b、244c、244d)的集合，来将图像添加到背景图像的串列中，使得指针之一改为指向该图像。

摘要： 本发明提供一种基于背景减除法的卫星视频目标跟踪方法及系统，包括基于卫星视频目标运动且背景相对不变的特点，结合多帧差分与基于高斯混合模型的背景减除方式进行跟踪，使用积分图快速计算图像分数以定位目标最终位置。因为卫星视频背景是相对不变的，利用背景减除法在背景中分割出目标并应用于目标跟踪中具有极大的潜力。本发明通过使用高斯混合模型背景减除法与积分图法，可以针对卫星视频中微小运动目标的进行高效跟踪；而在此基础上将背景减除法与多帧差分法结合，可以提高跟踪精度，从而构建了一种快速精准的卫星视频目标跟踪方法。

摘要： 本发明公开一种基于张量核范数的视频背景减除方法，用改进的张量核范数去表征视频背景的低维特性，使得背景约束更加接近实际视频背景的秩，为前景背景更加准确的分离提供了一定的保证；用L1,1,2范数去建模视频前景的稀疏性，加强了视频前景的时空连续性和管稀疏性，从而达到了较好的背景前景分离效果。

摘要： 本发明提供了一种采用统计意义背景减除法的运动目标检测方法，主要包括如下步骤：(1)将运动目标视频图像的视频帧转换为灰度图像；(2)在每个视频帧的相同位置上取像素点(i，j)，并按照视频帧序列对上述像素点进行排序，将这个像素序列中各像素点的灰度值进行直方图统计，取频数分布最高的灰度值作为背景图像在像素点(i，j)的灰度值；(3)从i＝1，j＝1开始，将i和j依次递增，直到遍历整个图片为止，即可得到背景图片在每个像素点的灰度值，由此建立背景图片；(4)将各视频帧与背景图片进行差分运算，得到差分视频帧；(5)若差分视频帧上像素点的灰度值大于阈值TH，则该点为运动目标像素点，否则为背景像素点。

摘要： 本发明公开了一种基于张量的背景减除方法及系统。该方法包括：获取观测张量；对观测张量进行高阶奇异值分解，得到初始化核心张量、因子、初始化辅助张量、拉格朗日乘子以及迭代次数；将观测张量分解为背景张量和前景张量；通过基于克罗内克基表示的张量稀疏检测方法约束背景张量，通过范数约束前景张量，得到最小化问题；通过求解最小化问题，得到迭代核心张量、迭代因子、迭代辅助张量以及迭代前景张量；判断所述迭代前景张量与前景张量之间的变化是否小于预先设定的阈值；若否，更新拉格朗日乘子；若是，根据迭代核心张量和迭代因子，得到迭代背景张量；根据迭代背景张量和迭代前景张量完成前景和背景的分离。本发明能够快速准确的分离背景和前景。