排序方式: 共有1条查询结果,搜索用时 15 毫秒
1
1.
为了构建鲁棒的背景模型和提高前景目标检测的准确性, 综合考虑同一位置的像素点在时间上的关联性和与其相邻像素的空间关联性, 基于经典的ViBe算法中的随机聚类思想提出了一种复杂背景建模和前景检测方法. 利用样本一致性原理, 采用前n帧序列图像得到初始化背景, 避免了Ghost现象的发生; 根据实际复杂背景的动态反馈获取自适应聚类阈值和自适应更新阈值进行随机聚类, 从而实现了对动态背景的适应性; 通过全局扰动阈值和局部像素级判断阈值的结合, 实现了对光照缓慢变化、快速变化以及突然变化的免疫性, 准确地分割前景目标. 对多组数据集的测试结果表明, 本文算法较大地提高了背景模型对动态背景、光照变化及相机抖动的复杂背景的适应性和鲁棒性. 算法还能很好地适用于红外图像检测运动目标的场合, 扩展了本算法的应用范围. 在没有进行任何图像预处理和形态学后处理情况下, 得到的原始前景检测精度优于其他对比算法. 相似文献
1