【论文】HSV自适应混合高斯模型的运动目标检测_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
中国最大最早的专业内容网站
评价文档：
&购买后可评价
5.1~5.20 期间当日购买维普网文档，第2篇起享受6折优惠。
&&¥3.00
&&¥2.00
&&¥3.00
&&¥2.00
&&¥3.00
&&¥2.00
&&¥2.00
&&¥3.00
&&¥2.00
&&¥2.00
您可以上传图片描述问题
联系电话：
请填写真实有效的信息，以便工作人员联系您，我们为您严格保密。
HSV自适应混合高斯模型的运动目标检测
在​目​前​的​计​算​机​视​觉​应​用​中​,​从​视​频​序​列​中​提​取​出​运​动​目​标​是​一​个​研​究​热​点​。​针​对​传​统​方​法​在​复​杂​多​变​环​境​下​不​能​很​好​地​检​测​出​运​动​目​标​且​运​算​量​较​大​的​问​题​,​根​据​H​S​V​颜​色​空​间​的​特​点​,​提​出​了​一​种​基​于​H​S​V​颜​色​空​间​的​自​适​应​混​合​高​斯​背​景​建​模​和​阴​影​消​除​的​方​法​。​首​先​,​在​传​统​的​混​合​高​斯​背​景​建​模​的​基​础​上​,​引​入​了​一​种​新​的​混​合​高​斯​模​型​高​斯​成​分​个​数​的​自​适​应​选​择​策​略​以​提​高​建​模​的​效​率​。​其​次​,​根​据​阴​影
试读已结束，如果需要继续阅读或下载，敬请购买
把文档贴到Blog、BBS或个人站等：
普通尺寸(450*500pix)
较大尺寸(630*500pix)
你可能喜欢
同期刊文献 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
基于HSV 空间的简牍图像增强算法研究
下载积分：688
内容提示：基于HSV 空间的简牍图像增强算法研究
文档格式：PDF|
浏览次数：1|
上传日期： 01:09:46|
文档星级：
该用户还上传了这些文档
基于HSV 空间的简牍图像增强算法研究.PDF
道客巴巴认证
机构认证专区
加  展示
享受成长特权
官方公共微信关于自适应高斯混合背景模型的更新算法的研究
1引言在背景减除的实时视频监控及运动目标检测与跟踪领域中经常采用自适应高斯混合方法为背景建模。由于背景模型更新算法中各参数的取值基本都是依据经验而定,所以采用不同参数值所建立的背景模型在稳定性、收敛性、精确性上都有很大的差异。本文针对这一问题,从分析背景信号的结构和规律入手,根据背景信号自身的特点,给出了背景更新算法中各参数值的选取方案,并在此基础上提出了一种比较有效的背景模型更新算法。2背景信号分析为了对背景信号进行分析,本文使用摄像头对一个相对稳定的背景进行了长时间的数据采集。由于背景像素点非常多,且背景静止区域和杂乱区域内部像素点所产生的背景信号变化规律基本相同,所以本文仅给出了具有代表性的两个像素点在一段时间内所采集到的样本值,如图1点线所示,其中(a)来自桌面一点(静止区域),(b)来自显示器一点(杂乱区域)。可以看出这两点所获得的背景信号都是非平稳的随机信号。为了对信号进行更深入的分析,本文采用“局域波分解法”对信号...&
(本文共3页)
权威出处：
视频目标跟踪是指对图像序列中感兴趣的目标进行有效跟踪并估计目标状态参数，如位置、速度、尺寸等，以完成更高一级的任务，如行为识别与分析，姿态估计等。视频目标跟踪是计算机视觉领域的一个热点研究问题，在视觉监控、军事制导、人机交互、机器人视觉导航、智能交通等方面有着广泛的应用。由于跟踪场景的复杂性，目标区域的动态变化，以及目标数变化等因素，视频跟踪算法的研究存在很多困难。近年来，不同于传统的基于数据关联技术的多目标跟踪算法，基于随机有限集的多目标贝叶斯滤波及其实现算法给多目标跟踪问题的研究带来了新的思路。基于随机有限集的多目标贝叶斯滤波能够避开数据关联技术直接对多目标跟踪。根据有限集统计理论，多目标状态的随机有限集模型对目标运动，目标新生和目标死亡均进行了建模，因此基于随机有限集的多目标贝叶斯滤波适合于处理目标数变化的跟踪问题。但由于常规的基于随机有限集的目标跟踪算法只针对点目标跟踪问题，而且视频跟踪场景和带有尺度特征的视频目标本身具...&
(本文共147页)
权威出处：
交通检测是智能交通系统中最基础的一步，从视频序列中准确地检测出车辆目标物是交通检测的一个重要研究内容，也是智能交通领域和计算机视觉领域的一个研究热点。目前已提出若干运动检测方法，最为典型和常用的方法包括光流法、帧间差分法和背景减除法等。基于高斯混合背景模型的背景减除法是进行运动车辆检测的常用方法之一，它是多个单高斯模型的组合。单高斯模型描述的背景模型单一，不能很好地描述背景中存在的扰动，特别当背景光照等环境因素发生改变时，单高斯模型难以适应这些改变。高斯混合模型虽然能适应缓慢变化的光照，但对于突变性的光照变化却不能很好的适应。本文针对突变的光照对高斯混合模型影响进行了探讨，并研究了基于HSV颜色模型的高斯混合改进算法。当光照发生突变时，背景更新速率设置的不合适导致突变的光照也被误认为前景，背景不能及时地更新，致使整个图像的像素值在短时间内发生大幅度的变化，前景结果出现大量虚假目标。由于光照突变可认为仅影响了HSV颜色模型中的V分...&
(本文共75页)
权威出处：
1.引言视觉监控系统通过自动分析摄像机拍摄的序列图像,实现对动态场景中兴趣目标如人、物体的定位、跟踪和识别,并在此基础上分析和判断目标的行为,进而判断是否有异常或危险情况发生。检测并分割出视频流中的运动物体是智能视觉监控应用的首要步骤,常采用背景图像减除法[1-5]来实现。背景图像减除法首先要获取场景的一帧参考图像,然后把摄像机实时拍摄的一帧新图像与之相减,再对差图像取阈值,这样就得到了一幅将运动目标从固定背景中分割出来的二值化图像。背景图像减除法的关键问题是如何建立背景模型和实时更新模型参数以适应背景变化,这些背景变化包括场景的光照变化和场景构成的改变。本文提出了一种改进方法:为提高模型的学习能力,对均值和方差的更新采用不同的学习率;建立背景图像并实时更新;引入消融时间控制机制。2.自适应高斯背景模型自适应背景图像的每一个像素分别用由K个高斯分布构成的混合高斯模型来建模[6],即:(1)式中,K是混合高斯模型中高斯分布的个数,...&
(本文共2页)
权威出处：
本文提出了一种新的无线视频智能监控系统的实现方案，通过无线mesh网络来承载视频数据的传输网络；为达到很好的抑制噪声和提高目标完整度的目的，我将利用改进后自适应高斯混合模型算法来对背景进行建模，用来进行运动目标的提取；为了处理运动检测中的目标跟踪问题以Mean shift跟踪算法为运动目标的持续跟踪监控的基本算法；再进一步以多子块灰度相关匹配算法从一定程度上解决跟踪过程中容易出现的目标丢失和混乱问题，保证了后续研究和应用的可靠性；以TCP模式传输保存在本地的异常帧目标出现的图片，用于监控端监控人员快速寻找到历史视频中出现异常目标的时间点；再以SD卡保存最近一段时间采集的视频，建立起FTP服务器传输历史视频到监控端。针对视频监控系统分离出合适的运动目标是进行目标识别的关键步骤。并且需要在分离目标时对光线的连续变化有相应的自适应能力并保持检测目标的准确性。系统中对异常目标提取提出了一项新的在自适应高斯混合背景模型改进算法的应用，在此...&
(本文共79页)
权威出处：
近年来,视频序列中运动目标的检测与跟踪成了计算机视觉研究中倍受关注的热门课题,并被广泛应用于精确武器制导、智能监控等军事和日常生活中。然而由于这一课题的研究内容涉及多个学科领域且应用场合各不相同,因而尽管人们对其做了大量研究工作,但一些重要的问题依然尚未解决。本文正是在对视频序列中运动目标检测与跟踪算法的研究基础上,对国内外常用的检测与跟踪算法做了进一步的改进与完善。在运动目标检测方面,本文重点研究了基于高斯混合背景模型的运动目标检测算法。然而,在模型初始化时,运动物体的存在往往会导致该算法的收敛速度很慢。针对这一问题,本文提出了一种改进算法。该改进算法通过采用在线K-均值聚类的方法对高斯混合模型进行初始化,提高了算法的收敛速度。同时在高斯混合背景模型更新时,通过对匹配准则和新高斯分布生成准则的改进,节约了存储空间。实验结果表明,与传统算法相比,该改进算法能够快速、有效地检测运动目标,具有更好的鲁棒性。在运动目标跟踪方面,本文分...&
(本文共67页)
权威出处：
扩展阅读：
CNKI手机学问
有学问，才够权威！
出版：《中国学术期刊（光盘版）》电子杂志社有限公司
地址：北京清华大学 84-48信箱 知识超市公司
互联网出版许可证 新出网证(京)字008号
京ICP证040431号
服务咨询：400-810--9993
订购咨询：400-819-9993
传真：010-
京公网安备75号扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
HSV空间中彩色图像分割研究
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口混合高斯模型（应用和EM算法） - 优雅黑曼巴的专栏
- 博客频道 - CSDN.NET
1236人阅读
&& 这篇讨论使用期望最大化算法（Expectation-Maximization）来进行密度估计（density estimation）。
&&&&& 与k-means一样，给定的训练样本是，我们将隐含类别标签用表示。与k-means的硬指定不同，我们首先认为是满足一定的概率分布的，这里我们认为满足多项式分布，，其中，有k个值{1,…,k}可以选取。而且我们认为在给定后，满足多值高斯分布，即。由此可以得到联合分布。
&&&&& 整个模型简单描述为对于每个样例，我们先从k个类别中按多项式分布抽取一个，然后根据所对应的k个多值高斯分布中的一个生成样例，。整个过程称作混合高斯模型。注意的是这里的仍然是隐含随机变量。模型中还有三个变量和。最大似然估计为。对数化后如下：
&&&&& 这个式子的最大值是不能通过前面使用的求导数为0的方法解决的，因为求的结果不是close form。但是假设我们知道了每个样例的，那么上式可以简化为：
&&&&&& 这时候我们再来对和进行求导得到：
&&&&& 就是样本类别中的比率。是类别为j的样本特征均值，是类别为j的样例的特征的协方差矩阵。
实际上，当知道后，最大似然估计就近似于高斯判别分析模型（Gaussian
discriminant analysis model）了。所不同的是GDA中类别y是伯努利分布，而这里的z是多项式分布，还有这里的每个样例都有不同的协方差矩阵，而GDA中认为只有一个。
&&&&& 之前我们是假设给定了，实际上是不知道的。那么怎么办呢？考虑之前提到的EM的思想，第一步是猜测隐含类别变量z，第二步是更新其他参数，以获得最大的最大似然估计。用到这里就是：
循环下面步骤，直到收敛： {
&&&&& （E步）对于每一个i和j，计算
&&&&&&&&&&&&&&&&&
&&&&& （M步），更新参数：
&&&&&&&&&&&&&&&&&
&&&&& 在E步中，我们将其他参数看作常量，计算的后验概率，也就是估计隐含类别变量。估计好后，利用上面的公式重新计算其他参数，计算好后发现最大化最大似然估计时，值又不对了，需要重新计算，周而复始，直至收敛。
&&&&& 的具体计算公式如下：
&&&&& 这个式子利用了贝叶斯公式。
&&&&& 这里我们使用代替了前面的，由简单的0/1值变成了概率值。
&&&&& 对比K-means可以发现，这里使用了“软”指定，为每个样例分配的类别是有一定的概率的，同时计算量也变大了，每个样例i都要计算属于每一个类别j的概率。与K-means相同的是，结果仍然是局部最优解。对其他参数取不同的初始值进行多次计算不失为一种好方法。
文章转载自：
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：27428次
排名：千里之外
转载：17篇
(1)(2)(1)(3)(2)(1)(1)(7)