摘要：针对背景建模方法对场景光照变化较为敏感,提出融合时间预测和空域纹理信息设计全新的时空-对称ST-CSLBP算子,构建基于ST-CSLBP直方图的混合时空背景模型,融合时域分布统计法和空域背景各自的优势,以同时适应长时光照以及短时的光照变化。实验表明,该算法与现有背景建模算法相比,具有较好的准确率和检索率。

摘要：为了满足监控视频高压缩比的需求,以及应对海量监控视频码流对传输带宽和存储空间带来的挑战,提出一种基于块的监控视频背景图像建模算法(BSBM).首先对编码图像进行分块处理,块大小在建模过程中根据训练集长度增加而增大;然后计算块中图像残差的梯度,用于刻画运动物体的边缘特征;最后通过块替换分类检测和块边界检测来判断当前块是否为待选背景块,从而更新背景模型.基于BSBM建立的背景图像,提出长参考编码帧间预测策略,将构造出的背景图像作为全局参考图像使用,进一步提高编码性能.在RD17.0平台上的测试结果表明,在低延时应用场景下,BSBM算法背景图像主观质量较好;在YUV的3个方向上,平均BD-Rate增益可以达到19.7%,26.6%和26.4%,编码性能提升显著.

摘要：针对现有背景建模算法难以处理场景非平稳变化的问题,提出一种基于长时间视频序列的背景建模方法.该方法包括训练、检索、更新三个主要步骤.在训练部分,首先将长时间视频分段剪辑并计算对应的背景图,然后通过图像降采样和降维找到背景描述子,并利用聚类算法对背景描述子进行分类,生成背景记忆字典.在检索部分,利用前景像素比例设计非平稳状态判断机制,如果发生非平稳变换,则计算原图描述子与背景字典中描述子之间的距离,距离最近的背景描述子对应的背景图片即为此时背景.在更新部分,利用前景像素比例设计更新判断机制,如果前景比例始终过大,则生成新背景,并更新背景字典以及背景图库.当出现非平稳变化时(如光线突变),本算法能够将背景模型恢复问题转化为背景检索问题,确保背景模型的稳定获得.将该框架与短时空域信息背景模型(以ViBe、MOG为例)融合,重点测试非平稳变化场景下的背景估计和运动目标检测结果.在多个视频序列上的测试结果表明,该框架可有效处理非平稳变化,有效改善目标检测效果,显著降低误检率.

摘要：为改善视频监控中的背景建模方法对于前景目标物较多或者光线变化的复杂环境效果不太理想的缺陷,提出一种多级分块背景建模方法.该方法以间隔N帧帧差法为基础,采用多级分块,并结合对称二值模式(center-symmetric local binary pattern,CSLBP)和码本(codebook,CB)等算法建立背景模型.通过模型得出背景较为清晰和完整,为下一步进行前景目标的准确识别提供良好基础.采用设计实验检验该方法的有效性,将其与局部二值模式(local binary pattern,LBP)、CSLBP、CB以及经典的混合高斯背景建模(mixture of Gaussian,MOG)等算法进行对比分析,得出采用此方法提取的前景目标物更加完整,边界更加清晰,且无明显分块图形出现.采用评分的方法对几种方法进行综合评分,该方法评分较高.在对前景目标物的提取方法中,该方法效果较好.

摘要：在基于子空间学习的背景建模方法中,利用背景信息对前景误差进行补偿有助于建立准确的背景模型.然而,当动态背景(摇曳的树枝、波动的水面等)和复杂前景等干扰因素存在时,补偿过程的准确性和稳定性会受到一定的影响.针对这些问题,本文提出了一种基于误差补偿的增量子空间背景建模方法.该方法可以实现复杂场景下的背景建模.首先,本文在误差补偿的过程中考虑了前景的空间连续性约束,在补偿前景信息的同时减少了动态背景的干扰,提高了背景建模的准确性.其次,本文将误差估计过程归结为一个凸优化问题,并根据不同的应用场合设计了相应的精确求解算法和快速求解方法.再次,本文设计了一种基于Alpha通道的误差补偿策略,提高了算法对复杂前景的抗干扰能力.最后,本文构建了不依赖于子空间模型的背景模板,减少了由前景信息反馈引起的背景更新失效,提高了算法的鲁棒性.多项对比实验表明,本文算法在干扰因素存在的情况下仍然可以实现对背景的准确建模,表现出较强的抗扰性和鲁棒性.

摘要：针对高速公路抛洒物检测中传统的固定背景建模方法容易因开放环境变化产生大量的前景噪声,动态背景建模方法容易因抛洒物的静止特性导致前景对象快速融入背景,提出基于背景分离高斯混合模型(BS-GMM)的动态背景建模方法.该方法对传统高斯混合模型的背景划分和模型匹配方法进行改进,设计基于像素点的高斯分布背景模型权值的衰减状况进行背景建模和背景更新的方法,既能减少开放环境大量环境噪声的影响,也能对抛洒物快速进入静止状态后的准确检测,在计算性能上能够达到实时检测的效果.实验结果证明,BS-GMM方法在抛洒物检测过程中产生的噪声数量比其他方法少,且对静止超过20 s的物体能够作为前景目标提取,因此能够有效地应用于高速公路抛洒物的准确识别.

摘要：针对PBAS(pixel-based adaptive segmenter)算法存在的阈值更新不够灵活,难以消除鬼影,对阴影较为敏感的问题,提出一种改进的算法。采用非线性阈值调整机制,根据背景复杂度及时调整阈值;对像素被判定为前景点的次数进行控制,去除难以消失的鬼影点;对判定为前景的区域边界点进行二次对比,减少鬼影点;引入基于颜色不变量的阴影检测去除前景中的阴影区域,提高分割精度。在CDnet2014(*** 2014)数据集上的测试结果表明,改进后的方法相比PBAS分割精度更高,能够很好地去除鬼影和阴影。

摘要：现有的背景建模方法通常只利用像素的时间或空间信息进行建模,降低了运动目标检测的准确性,针对这一问题提出一种融合像素时空信息的背景建模方法。分别在视频图像序列的时间、空间维度上对像素灰度值进行采样,建立像素的时间和空间背景模型;在检测运动目标的过程中对时间背景模型采用"先进先出"的更新策略,对空间背景模型采用随机的更新策略。实验结果表明,时空背景建模能有效地检测出运动目标,有效减少光线变化和摄像机抖动对检测结果的影响,较好抑制动态背景的干扰。

摘要：针对尺度不变局部三元模式(SILTP)背景建模算法复杂度较高、计算速度较慢,不利于高速视频处理的问题,提出了一种新的均匀尺度不变局部三元模式(USILTP)背景建模并行算法。首先,通过规范SILTP编码的跳变次数得到USILTP纹理特征,实现了SILTP特征降维;其次,设计并实现基于英特尔核芯显卡(Intel HD)及开放式计算语言(Open CL)的USILTP背景建模并行算法,进一步加速了USILTP背景建模算法;最后,通过融合多颜色通道模型结果,优化了USILTP背景建模算法的前景效果。实验结果表明,在Intel HD 4600上处理320×240分辨率的视频,该算法将速度提升至98 frame/s,比SILTP背景建模算法快4倍;在前景检测方面,该算法在背景公开数据库上的性能比SILTP背景建模算法提升了2.1%。

摘要：研究分析了均值背景建模方法、中值背景建模方法、高斯混合背景建模方法,比较了其设计思想、适用范围及各自的优势与不足,并利用MATLAB进行了仿真实验。