基于视频的运动目标检测概述推荐.pptVIP

* * 融合了背景减除法的改进混合高斯模型 混合高斯模型使用固定的学习率 ，如果其值较小，模型的初始建立时间较长，如果其值较大，则会降低模型对视频中噪声(如树叶摇晃)的抑制作用。 背景能够适应缓慢的光照变化、树叶摇动等因素引起的变化，而对于突然的光照变化适应性慢，检测结果中含有大量的阴影。 由于树叶的摇动在水面或反光物体上产生的突然反光不服从高斯分布，从而在检测结果中出现频繁的闪动。 针对这些问题，融合背景减除法对混合高斯进行改进，在初始建模时采用新的更新算法，能够快速准确地建立初始背景模型。 融合了背景减除法的改进混合高斯模型 混合高斯模型更新方程： 融合背景减除法: 为改进的混合高斯的检测结果 Default:T=50，N=200 Mi为每个高斯分布相匹配的次数 混合高斯及改进算法实验结果（1） 图1 高速路监控视频初始建模实验结果 图2户外停车场监控视频初始建模实验结果 混合高斯建模，由于背景更新速率较慢，在初始建模时(第120帧以前)，背景模型不够健全，开始时检测的结果残缺或漏检。而改进混合高斯算法在第40帧左右建立初始模型，快速检测出完整性好的运动目标，即该改进的方法能够快速建立初始背景模型。 混合高斯及改进算法实验结果（2） 改进算法有效地抑制反光物体带来的频繁闪动，并且检测出的运动目标含较少阴影。 多模态均值 S.Apewokin等人针对背景建模速度慢，计算和存贮量大等问题，提出了多模态均值法，利用多个均值描述背景，建模快，计算量小，存贮空间少，能在嵌入式系统上实时检测出含少量阴影的运动目标，但其不适应复杂背景中重复的扰动、前景与背景的转化等。 [1]S. Apewokin, B. Valentine, L. Wills, et al. Multimodal Mean Adaptive Backgrounding for Embedded Real-Time Video Surveillance: IEEE Conference on Computer Vision and Pattern Recognition[C], [S.l.]:[s.n.],2007:1-6. [2]S. Apewokin, B. Valentine, D. Forsthoefel, et al. Embedded Real-Time Surveillance Using Multimodal Mean Background Modeling[J]. Embedded Computer Vision, 2009:163-175. 多模态均值 运用像素 与M个背景比较，不断更新模型均值，每个背景 包含与之匹配的RGB各通道值总和 、匹配次数 、在时间轴上相邻两滑动窗口内的匹配次数 和 。其检测过程包括背景匹配与参数更新、前景检测和背景替换。 背景匹配与参数更新 为t-1帧第i个背景j通道的均值 。若像素 满足 则与背景 匹配，用如下更新。 前景检测与背景替换 前景检测:若无背景与 匹配，则当前像素判为前景。 背景替换:当 为前景时，计算背景在两滑动窗口内匹配次数和 。找出M个背景中满足 的背景构成集合L。L中的模型表明在两滑动窗口中匹配次数较少，不能很好描述背景。若L中有背景，则替换其中最小 的背景。若L为空，则替换M背景中最小 的背景。 实验结果与分析 基于纹理的背景模型 LBP（Local Binary Pattern）是描述图像局部空间结构的非参数纹理算子，在纹理分类中有较高区分力，对亮度改变不敏感，计算量小等优点。初始LBP仅通过像素的8邻域得到，为描述大尺度的纹理，Ojala等把其定义扩展为具有不同半径的圆形邻域。 本文LBP算子如下式。 纹理背景模型 背景模型由一组自适应的LBP直方图来描述， 。模型的每个直方图有个权重 ，且所有权重和为1。 直方图相似性度量 是直方图，N= 纹理模型更新与背景选取 模型更新 如果模型所有直方图相似性都低于 ，则更新权重最低的直方图模型，赋低的初始权重，如0.01。 如果模型中有直方图相似性大于等于 ，则匹配。选择匹配中最高相似性的直方图，更新其bins来适应新的数据： 权重更新： 此时