基于自适应混合高斯模型的运动目标检测

研究视频监控系统中序列图像的运动目标检测问题。传统的目标检测方法无法克服背景图像变化、场景光线突变等问题。采用混合高斯分布对背景进行建模,并根据输入的当前帧图像的像素信息进行背景模型更新,能够准确地检测出运动目标。通过相关仿真实验,验证该方法具有一定的可靠性。     

基于自适应学习速率混合高斯模型的背景消除

背景消除是智能视觉监控和自动目标识别与跟踪首先要解决的问题。采用混合高斯模型对背景图像进行建模，并应用图像的相关性与各点的置信度对背景模型的学习速率进行快速更新，完成背景模型的重建。与其他方法比较，该方法能够有效地对新背景进行快速的学习和适应，达到动态背景下运动目标实时踉踪的要求。     

基于自适应学习速率混合高斯模型的背景消除

背景消除是智能视觉监控和自动目标识别与跟踪首先要解决的问题。采用混合高斯模型对背景图像进行建模,并应用图像的相关性与各点的置信度对背景模型的学习速率进行快速更新,完成背景模型的重建。与其他方法比较,该方法能够有效地对新背景进行快速的学习和适应,达到动态背景下运动目标实时跟踪的要求。     

基于风险决策与混合高斯背景模型的前景目标突变快速检测

将风险决策引入前景目标的突变判断中,通过设计一个时序计数器函数来记录图像上某一像素点被划为前景的次数,当次数大于某一阈值时,将该像素从前景点改判为背景点,可以估计该像素点为背景点的概率,做出风险决策,以便及时更新混合高斯背景模型参数,减少多个高斯模型的高额计算量.最后通过实验验证了算法在目标检测率和实时性方面的改进.     

基于自适应学习速率混合高斯模型的背景消除

背景消除是智能视觉监控和自动目标识别与跟踪首先要解决的问题.采用混合高斯模型对背景图像进行建模,并应用图像的相关性与各点的置信度对背景模型的学习速率进行快速更新,完成背景模型的重建.与其他方法比较,该方法能够有效地对新背景进行快速的学习和适应,达到动态背景下运动目标实时跟踪的要求.     

基于自适应学习速率混合高斯模型的背景消除

背景消除是智能视觉监控和自动目标识别与跟踪首先要解决的问题.采用混合高斯模型对背景图像进行建模,并应用图像的相关性与各点的置信度对背景模型的学习速率进行快速更新,完成背景模型的重建.与其他方法比较,该方法能够有效地对新背景进行快速的学习和适应,达到动态背景下运动目标实时跟踪的要求.     

基于风险决策混合高斯背景建模快速检测前景目标突变

将风险决策引入前景目标的突变判断中,通过设计一个时序计数器函数来记录图像上某一像素点被划为前景的次数,当次数大于某一阈值时,将该像素从前景点改判为背景点,据此可以估计该像素点为背景点的概率,做出风险决策,以便及时更新混合高斯背景模型参数,从而减少多个高斯模型的高额计算量．最后通过实验验证了算法在目标检测率和实时性方面的改进．     

基于混合高斯模型的运动目标检测算法

针对摄像机在静止条件下的自适应运动目标检测,提出一种改进的运动目标检测算法。首先,针对高斯混合背景建模初期背景建模效果不理想的问题,利用统计的方法得到背景模型,根据背景图像建立高斯混合模型;在模型学习方面,为均值与方差设置了不同的学习率。针对传统的LBP算子的缺陷,提出了一种改进的纹理特征算子,将其与HSV颜色空间去阴影的方法相结合,从而实现对阴影的检测与去除,利用随机Hough算子对圆的检测原理,在运动目标检测的基础之上,实现对人头的边缘检测。实验结果表明:该算法可以很好地检测出运动目标,并能够有效去除运动目标包含的阴影区域,从而实现人头区域的检测。     

基于改进的自适应混合高斯背景模型的车辆检测方法

针对静止摄像机条件下运动车辆的检测问题,提出一种改进的自适应混合高斯背景模型的方法.该方法初始时通过三帧差分法判断运动目标所在区域,运用提出的区域背景更新算法生成初始背景图像,然后在Stauffer等人提出的自适应混合高斯背景模型的基础上融入帧间差分和背景差分相结合的方法用于判定运动目标区域和背景区域,通过对背景区域和运动目标区域设置不同的学习率来更新背景模型,提高了模型的收敛速度.实验结果表明,同传统检测方法相比,改进的算法能较快地初始化背景模型并能有效地检测出运动车辆,有较强的鲁棒性和较好的自适应能力.     

基于自适应高斯概率的阴影检测

提出一种基于自适应高斯概率的运动阴影检测方法．用高斯模型对阴影建模,并利用场景中的典型阴影区域初始化均值和方差．计算背景减除得到的前景点的阴影似度概率作为是否阴影的判据,被判为阴影点的像素将作为均值和方差的学习样本用来调整和更新参数以适应场景的动态变化．实验结果表明本文算法具有较高的阴影检测率和较低的误检率．     

基于匹配分布和混合高斯模型的车辆检测算法

为解决高斯混合模型GMM(Gaussian Mixture Model)在车辆检测中存在的车辆断裂等问题,提出了一种基于匹配度分布的混合高斯车辆检测算法.该算法采用c均值聚类法计算混合高斯模型初始值,得到初步的背景模型;匹配度分布的提出充分考虑了背景变化的时间性和空间性的特性;根据前几帧检测结果得到每个点的匹配度分布,对当前图片改变背景学习的规则,去除了干扰,适应了背景的变化.实验结果表明,该算法较传统的混合高斯检测方法检测率平均提高16％以上,使背景也更稳定和准确,克服了车辆检测的断裂以及光照突变等问题,提高了车辆区域检测的准确性.     

基于匹配分布和混合高斯模型的车辆检测算法

为解决高斯混合模型GMM（Gaussian Mixture Model）在车辆检测中存在的车辆断裂等问题, 提出了一种基于匹配度分布的混合高斯车辆检测算法。该算法采用c均值聚类法计算混合高斯模型初始值, 得到初步的背景模型; 匹配度分布的提出充分考虑了背景变化的时间性和空间性的特性; 根据前几帧检测结果得到每个点的匹配度分布, 对当前图片改变背景学习的规则, 去除了干扰, 适应了背景的变化。实验结果表明, 该算法较传统的混合高斯检测方法检测率平均提高16%以上, 使背景也更稳定和准确, 克服了车辆检测的断裂以及光照突变等问题, 提高了车辆区域检测的准确性。     

混合高斯模型下的自适应阈值阴影检测

针对现有阴影检测算法参数众多,需要训练参数或者手动设置阈值的缺点.文章提出一种基于HSV颜色信息的自适应阈值阴影检测方法,并利用最大熵阈值分割实现自适应阈值阴影检测.实验表明,该方法能够准确地检测出阴影,鲁棒性强.     

基于高斯混合模型的无线传感器网络定位算法

针对距离误差对定位结果的影响,提出一种基于高斯混合模型的无线传感器网络定位算法.该算法将高斯混合模型方法引入到无线传感器网络的定位问题中,通过高斯混合模型分析找出误差较大的距离信息并将其剔除,对剩余距离信息使用三边测量定位法进行定位求解,同时结合加权定位算法进行位置估计.仿真实验结果表明,改进算法能提高定位精度,且定位结果更稳定.     

基于高斯混合密度函数估计的语音分离

基于最大熵法（Ｍａｘｉｍｕｍ Ｅｎｔｒｏｐｙ,ＭＥ）、最小互信息量法（Ｍｉｎｉｍｕｍ Ｍｕｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ,ＭＭＩ）和最大似然法（ＭａｘｉｍｕｍＬＩｋｅｌｉｈｏｏｄ,ＭＬ）最解决盲信号分离问题的常用算法,分析了ＭＥ、ＭＭＩ以及ＭＬ算法之间关系。基于高斯混合模式（Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ,ＧＭＭ）概率密度函数估计,提出了一种采用反馈结构的扩展最大熵语音分离算法,与     

Adaptive Contour Model for Real-Time Foreground Detection

A multiscale foreground detection method was developed to segment moving objects from a stationary background. The algorithm is based on a fixed-mesh-based contour model, which starts at the bounding box of the difference map between an input image and its background and ends at a final contour.An adaptive algorithm was developed to calculate an appropriate energy threshold to control the contours to identify the foreground silhouettes. Experiments show that this method more successfully ignores the negative influence of image noise to obtain an accurate foreground map than other foreground detection algorithms. Most shadow pixels are also eliminated by this method.     

基于HMM的自适应软件决策模型

为实现软件的自适应,针对复杂多变的运行环境,提出一个基于隐Markov模型(HMM)的自适应软件决策模型.首先运用高斯混合模型(GMM)对初始环境进行分类,然后使用softmax回归对感知环境进行归类划分处理,最后利用HMM代替人工干预进行软件决策.实验结果表明,该自适应软件模型在感知环境发生变化的条件下,能很好地实现软件自适应决策.