目的目标检测在智能交通、自动驾驶以及安防监控中均有重要的地位,Vi Be算法是常用的运动目标检测算法,它主要由背景模型初始化、前景检测、背景模型更新3部分组成,其思想简单,易于实现,运算效率高,但当初始帧有运动目标时,检测结果会出...目的目标检测在智能交通、自动驾驶以及安防监控中均有重要的地位,Vi Be算法是常用的运动目标检测算法,它主要由背景模型初始化、前景检测、背景模型更新3部分组成,其思想简单,易于实现,运算效率高,但当初始帧有运动目标时,检测结果会出现"鬼影"现象,且易受噪声和光照变化影响,不能适应动态场景。同时,其逐帧逐像素进行前景检测,在计算复杂度方面有较大提升空间。为解决这些问题,提出一种改进的Vi Be算法,称为Vi Be Imp算法。方法在背景模型初始化时,用多帧平均法给出初始背景,采用该初始背景构建初始背景样本模型。在前景检测过程中,采用背景差分法、帧差法与OTSU算法相结合给出半径阈值的自适应计算方法。同时,根据背景差分法找出运动区域,只对运动区域进行前景判断和模型更新,降低算法的计算复杂度。结果对25个不同场景视频分别给出Vi Be Imp算法在初始化背景,自适应半径阈值和计算复杂度方面改进的结果及有效性指标,实验结果表明,与Vi Be、Vi Be Diff2、Vi Be IniR,以及Surendra等算法和高斯混合模型相比,Vi Be Imp算法对噪声、光照和背景动态变化有较好的鲁棒性,检测结果更完整,且实时性较好。同时,Vi Be Imp算法将Vi Be算法的查准率、查全率以及F1值分别提高了17. 98%、11. 40%和15. 96%。结论 Vi Be Imp算法采用多帧平均法构建初始背景可有效地消除"鬼影",并给出半径阈值的自适应计算方法,使Vi Be算法更快适应视频环境变化,准确且完整地检测出运动目标,具有较低的误检率和漏检率。该方法克服了Vi Be算法对初始背景以及视频环境的依赖,很大程度上提高了运算速度,具有很好的鲁棒性和适用性。展开更多
文摘目的目标检测在智能交通、自动驾驶以及安防监控中均有重要的地位,Vi Be算法是常用的运动目标检测算法,它主要由背景模型初始化、前景检测、背景模型更新3部分组成,其思想简单,易于实现,运算效率高,但当初始帧有运动目标时,检测结果会出现"鬼影"现象,且易受噪声和光照变化影响,不能适应动态场景。同时,其逐帧逐像素进行前景检测,在计算复杂度方面有较大提升空间。为解决这些问题,提出一种改进的Vi Be算法,称为Vi Be Imp算法。方法在背景模型初始化时,用多帧平均法给出初始背景,采用该初始背景构建初始背景样本模型。在前景检测过程中,采用背景差分法、帧差法与OTSU算法相结合给出半径阈值的自适应计算方法。同时,根据背景差分法找出运动区域,只对运动区域进行前景判断和模型更新,降低算法的计算复杂度。结果对25个不同场景视频分别给出Vi Be Imp算法在初始化背景,自适应半径阈值和计算复杂度方面改进的结果及有效性指标,实验结果表明,与Vi Be、Vi Be Diff2、Vi Be IniR,以及Surendra等算法和高斯混合模型相比,Vi Be Imp算法对噪声、光照和背景动态变化有较好的鲁棒性,检测结果更完整,且实时性较好。同时,Vi Be Imp算法将Vi Be算法的查准率、查全率以及F1值分别提高了17. 98%、11. 40%和15. 96%。结论 Vi Be Imp算法采用多帧平均法构建初始背景可有效地消除"鬼影",并给出半径阈值的自适应计算方法,使Vi Be算法更快适应视频环境变化,准确且完整地检测出运动目标,具有较低的误检率和漏检率。该方法克服了Vi Be算法对初始背景以及视频环境的依赖,很大程度上提高了运算速度,具有很好的鲁棒性和适用性。
