CN103700114A - 一种基于可变高斯混合数的复杂背景建模方法 - Google Patents
一种基于可变高斯混合数的复杂背景建模方法 Download PDFInfo
- Publication number
- CN103700114A CN103700114A CN201210365922.3A CN201210365922A CN103700114A CN 103700114 A CN103700114 A CN 103700114A CN 201210365922 A CN201210365922 A CN 201210365922A CN 103700114 A CN103700114 A CN 103700114A
- Authority
- CN
- China
- Prior art keywords
- pixel
- model
- gaussian
- background
- gaussian distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及基于可变高斯混合数的复杂背景建模方法,属于光电产品应用技术领域。该方法包括:假设视频场景中每个像素受独立高斯噪声的影响,建立背景像素模型;根据像素模型算出整个视频场景模型;采用高斯混合模型计算某像素点值概率;根据当前像素点值、像素点均值和像素点方差,计算当前像素点与某个高斯分布的马氏距离;根据马氏距离与判断阈值的比较结果更新混合高斯分布的背景模型参数,完成复杂背景建模。该方法通过高斯混合模型和可变高斯混合数更新策略,有效地对受动态扰动的复杂场景进行运动目标检测。通过对街道环境下的可见光序列图像进行试验,证明该算法具有良好的抗干扰性,能实现树枝晃动、阴影存在等复杂场景下的运动目标检测。
Description
技术领域
本发明涉及光电产品应用技术领域,具体涉及一种基于可变高斯混合数的复杂背景建模方法。
背景技术
基于视频或图像序列的背运动目标检测技术一直以来都是计算机视觉、图像处理和模式识别领域中一个非常重要和活跃的研究课题。如何能从视频图像序列中将感兴趣的对象提取出来,是智能视频分析系统中最初的也是最重要的一步。视频运动目标检测方法的有效性直接影响到后续系统的处理效果,在实际的应用中,由于运动目标所在环境的复杂性和图像系统中图像传送和转换中的某些降质,使得复杂背景下运动目标检测变得更加困难。因此,找到一种能在多种背景条件下都适用的、实时、有效的背景建模技术,是智能视频分析系统软件设计的首要任务。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是如何设计一种可变高斯混合数的自适应背景建模方法,通过高斯混合模型和可变高斯混合数更新策略,完成对复杂背景的自适应学习,构建稳定的自适应背景模型,以实现在复杂背景下的运动目标检测。
(二)技术方案
为解决上述技术问题,本发明提供一种基于可变高斯混合数的复杂背景建模方法,所述方法包括:
步骤S1:在拍摄设备静止状态下采集当前视频序列图像;
步骤S2:假设视频场景中的每个像素受到独立高斯噪声的影响, 建立背景的像素模型;
步骤S3:根据所述像素模型算出整个视频场景的模型;
步骤S4:采用高斯混合模型计算某一个像素点值的概率;
步骤S5:根据当前像素点的值,像素点的均值和像素点的方差,计算当前像素点与某个高斯分布的马氏距离;
步骤S6:预设定判断阈值,通过将马氏距离与判断阈值进行比较,根据比较结果来更新混合高斯分布的背景模型参数,从而得到更新匹配度最好的高斯分布的背景模型参数,根据更新匹配度最好的高斯分布的背景模型参数来完成复杂背景建模。
其中,所述步骤S2中,背景的像素模型根据公式(1)来表示为:
bk(x)=μk(x)+nk(x) (1)
其中,整个视频场景的模型通过公式(2)中的参数向量θ来表示:
其中,每一帧中像素在时刻k的均值和方差通过历史帧来进行自适应的估计。
其中,所述步骤S4中,采用多个单模态的集合来描述复杂场景中像素点值的变化,对于每一个像素点,定义K个高斯分布来表示其所呈现的颜色,则根据公式(3)可以得到某一个像素点值为gk(x)的概率:
其中,wi,k是不同高斯分布的权重系数,η(gk(x),θi,k(x))是正态高斯分布项,η(gk(x),θi,k(x))通过公式(4)来表示:
其中,K个分布通过wi,k(x)/μi,k(x)的值的大小排序,并检查新的像素值是否和某个高斯分布相匹配。
其中,所述步骤S6包括:
步骤S601:预设判断阈值Th1,所述判断阈值Th1根据实际场景的复杂度在取值区间(2,10)中选取设定;
步骤S602:当Di<Th1时,根据公式(6)来更新混合模型参数:
wi,k(x)=wi,k-1(x)+α(1-wi,k-1(x)),
μi,k(x)=(1-α)μi,k-1(x)+(α/wi,k-1(x))σi,k-1(x), (6):
其它的背景模型参数根据公式(7)更新:
wi,k(x)=(1-α)wi,k-1(x)-αct (7);
其中,ct为0.01;
如果wi,k(x)<0,则删除此高斯分布项,即K=K-1;
步骤S603:当minDi>Th1时,则该值所属的高斯分布项将被新的高斯分布项所更新,新分布的均值为当前像素值,初始化一个较大的标准差和较小的权值,并设置K=K+1;
步骤S604:在k时刻按wi,k(x)/σi,k-1(x)由大到小的排列次序,各高斯分布记为i1,i2...ik,若前Mi个分布满足式 则这个分布被认为是背景分布,其余分布被认为是运动前景分布;
其中,τ是权重阈值,表示能够描述场景背景的高斯分布权重之和的最小值,τ通过实验的方法得到。
(三)有益效果
本发明所提供的基于可变高斯混合数的复杂背景建模方法,通过高斯混合模型和可变高斯混合数更新策略,能有效地对存在动态扰动的复杂场景进行运动目标的检测。通过对街道环境下的可见光序列图像进行试验,证明了该算法具有良好的抗干扰性,能够实现树枝晃动,阴影存在等复杂场景下的运动目标检测。
附图说明
图1为本发明的基于可变高斯混合数的复杂背景建模方法的流程图。
图2为实施本发明技术方案后的背景建模效果展示图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本发明是一种实现复杂背景下运动目标检测的图像处理方法,主要应用于海量视频检索系统。该方法在VC6.0平台下借助C++语言编程方式来运行,为了实现在复杂场景下的运动目标检测,如图1所示,该方法包括如下步骤:
步骤S1:在拍摄设备静止状态下采集当前视频序列图像;
步骤S2:假设视频场景中的每个像素受到独立高斯噪声的影响,建立背景的像素模型;
步骤S3:根据所述像素模型算出整个视频场景的模型;
步骤S4:采用高斯混合模型计算某一个像素点值的概率;
步骤S5:根据当前像素点的值,像素点的均值和像素点的方差,计算当前像素点与某个高斯分布的马氏距离;
步骤S6:预设定判断阈值,通过将马氏距离与判断阈值进行比较,根据比较结果来更新混合高斯分布的背景模型参数,从而得到更新匹配度最好的高斯分布的背景模型参数,根据更新匹配度最好的高斯分布的背景模型参数来完成复杂背景建模。
其中,所述步骤S2中,对于一个给定的视频图像序列,视频图像中的背景可能存在动态的变化,比如当枝叶在摇动时,它会反复地覆盖图像中的某像素点然后又离开,此像素点的值会发生剧烈的变化。假设视频场景中的每个像素受到独立高斯噪声的影响,背景的像素模型可以根据公式(1)来表示为:
bk(x)=μk(x)+nk(x) (1)
其中,随机变量bk(x)是单个像素x在时刻k的背景表示,μk(x)是亮度均值,nk(x)表示时刻k方差为 的噪声。
根据步骤S2的表示方式,所以,步骤S3中整个视频场景的模型可以通过公式(2)中的参数向量θ来表示:
其中,每一帧中像素在时刻k的均值和方差通过历史帧来进行自适应的估计。
其中,所述步骤S4中,当我们处理静态背景时,时间平均模型能够很好地表示背景,模型参数也能够通过求取一系列视频序列均值而获得。但是当背景中存在动态扰动时,时间平均模型就失去作用了,后续的前景分割过程也就无从进行。基于斯塔弗(Stauffer)和格里姆森(Grimson)提出的高斯混合模型的思想,本发明采用多个单模态的集合来描述复杂场景中像素点值的变化,对于每一个像素点,定义K个高斯分布来表示其所呈现的颜色,则根据公式(3)可以得到某一个像素点值为gk(x)的概率:
其中,wi,k是不同高斯分布的权重系数,η(gk(x),θi,k(x))是正态高斯分布项,η(gk(x),θi,k(x))通过公式(4)来表示:
其中,K个分布通过wi,k(x)/μi,k(x)的值的大小排序,并检查新的像素值是否和某个高斯分布相匹配。
其中,本发明通过马氏(Mahalanobis)距离的判定来更混合高斯分布的参数,这样我们可以得到更新匹配度最好的高斯分布的参数,马氏距离是数据所在的空间的协方差的度量,能够有效地表征数据在空间的分布特征。设马氏距离表征为Di,则所述步骤S5中,根据当前像素点的值gk(x),像素点的均值μi,k(x)和像素点的方差 以及公式(5),计算当前像素点与第i个高斯分布的马氏距离:
其中,对于输入的参数gk(x),θi,k(x),wi,k,所述步骤S6包括:
步骤S601:预设判断阈值Th1,所述判断阈值Th1根据实际场景的复杂度在取值区间(2,10)中选取设定;
步骤S602:当Di<Th1时,根据公式(6)来更新混合模型参数:
wi,k(x)=wi,k-1(x)+α(1-wi,k-1(x)),
μi,k(x)=(1-α)μi,k-1(x)+(α/wi,k-1(x))σi,k-1(x), (6);
其它的背景模型参数根据公式(7)更新:
wi,k(x)=(1-α)wi,k-1(x)-αct (7);
其中,ct为常数0.01;
如果wi,k(x)<0,则删除此高斯分布项,即K=K-1;
步骤S603:当minDi>Th1时,则该值所属的高斯分布项将被新的高斯分布项所更新,新分布的均值为当前像素值,初始化一个较大的标准差和较小的权值,并设置K=K+1;
步骤S604:在k时刻按wi,k(x)/σi,k-1(x)由大到小的排列次序,各高斯分布记为i1,i2...ik,若前Mi个分布满足式 则这个分 布被认为是背景分布,其余分布被认为是运动前景分布;
其中,τ是权重阈值,表示能够描述场景背景的高斯分布权重之和的最小值,τ通过实验的方法得到,本实施例中τ=0.9。
下面结合图2来说明本发明技术方案的效果,图2所示为基于可变高斯混合数的背景建模方法,街道场景中存在着树叶的晃动及阳光照射下的阴影,图2(a)及图2(c)为视频场景帧,图2(b)为初始帧的背景自适应学习后的检测结果;图2(d)为背景模型学习结束后的目标稳定检测结果。实验结果表明随着对初始场景的背景建模和可变高斯混合数的更新,本方法能有效地提高检测结果的准确性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种基于可变高斯混合数的复杂背景建模方法,其特征在于,所述方法包括:
步骤S1:在拍摄设备静止状态下采集当前视频序列图像;
步骤S2:假设视频场景中的每个像素受到独立高斯噪声的影响,建立背景的像素模型;
步骤S3:根据所述像素模型算出整个视频场景的模型;
步骤S4:采用高斯混合模型计算某一个像素点值的概率;
步骤S5:根据当前像素点的值,像素点的均值和像素点的方差,计算当前像素点与某个高斯分布的马氏距离;
步骤S6:预设定判断阈值,通过将马氏距离与判断阈值进行比较,根据比较结果来更新混合高斯分布的背景模型参数,从而得到更新匹配度最好的高斯分布的背景模型参数,根据更新匹配度最好的高斯分布的背景模型参数来完成复杂背景建模。
3.如权利要求2所述的基于可变高斯混合数的复杂背景建模方法,其特征在于,整个视频场景的模型通过公式(2)中的参数向量θ来表示:
其中,每一帧中像素在时刻k的均值和方差通过历史帧来进行自适应的估计。
6.如权利要求5所述的基于可变高斯混合数的复杂背景建模方法,其特征在于,所述步骤S6包括:
步骤S601:预设判断阈值Th1,所述判断阈值Th1根据实际场景的复杂度在取值区间(2,10)中选取设定;
步骤S602:当Di<Th1时,根据公式(6)来更新混合模型参数:
wi,k(x)=wi,k-1(x)+α(1-wi,k-1(x)),
μi,k(x)=(1-α)μi,k-1(x)+(α/wi,k-1(x))σi,k-1(x), (6);
其它的背景模型参数根据公式(7)更新:
wi,k(x)=(1-α)wi,k-1(x)-αct (7);
其中,ct为0.01;
如果wi,k(x)<0,则删除此高斯分布项,即K=K-1;
步骤S603:当minDi>Th1时,则该值所属的高斯分布项将被新的高斯分布项所更新,新分布的均值为当前像素值,初始化一个较大的标准差和较小的权值,并设置K=K+1;
其中,τ是权重阈值,表示能够描述场景背景的高斯分布权重之和的最小值,τ通过实验的方法得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210365922.3A CN103700114B (zh) | 2012-09-27 | 2012-09-27 | 一种基于可变高斯混合数的复杂背景建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210365922.3A CN103700114B (zh) | 2012-09-27 | 2012-09-27 | 一种基于可变高斯混合数的复杂背景建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103700114A true CN103700114A (zh) | 2014-04-02 |
CN103700114B CN103700114B (zh) | 2017-07-18 |
Family
ID=50361632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210365922.3A Active CN103700114B (zh) | 2012-09-27 | 2012-09-27 | 一种基于可变高斯混合数的复杂背景建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103700114B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118069A (zh) * | 2015-09-30 | 2015-12-02 | 杭州南江机器人股份有限公司 | 一种复杂环境直线检测和筛选方法及应用该方法的机器人 |
CN105700349A (zh) * | 2016-01-14 | 2016-06-22 | 天津中科智能识别产业技术研究院有限公司 | 一种用于夜间群众疏散指挥及逃生引导的无人机系统 |
CN105752333A (zh) * | 2015-11-03 | 2016-07-13 | 天津艾思科尔科技有限公司 | 用于应急疏散指挥的飞行器 |
CN106023258A (zh) * | 2016-05-26 | 2016-10-12 | 南京工程学院 | 改进的自适应高斯混合模型运动目标检测方法 |
CN104268874B (zh) * | 2014-09-26 | 2017-05-17 | 中国民航科学技术研究院 | 一种基于正态分布函数的非相参雷达图像背景建模方法 |
CN107659754A (zh) * | 2017-07-18 | 2018-02-02 | 孙战里 | 一种树叶扰动情况下监控视频的有效浓缩方法 |
CN110006444A (zh) * | 2019-03-21 | 2019-07-12 | 南京师范大学 | 一种基于优化混合高斯模型的抗干扰视觉里程计构建方法 |
CN110232717A (zh) * | 2019-06-10 | 2019-09-13 | 北京壹氢科技有限公司 | 一种适用于多对多目标识别的目标同一性识别方法 |
CN111191027A (zh) * | 2019-12-14 | 2020-05-22 | 上海电力大学 | 一种基于高斯混合分布vae的广义零样本识别方法 |
CN111461036A (zh) * | 2020-04-07 | 2020-07-28 | 武汉大学 | 一种利用背景建模增强数据的实时行人检测方法 |
CN112183337A (zh) * | 2020-09-28 | 2021-01-05 | 华北电力大学(保定) | 一种输电线路防机械入侵的检测方法及装置 |
CN112348842A (zh) * | 2020-11-03 | 2021-02-09 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种从视频中自动快速获取场景背景的处理方法 |
WO2021120867A1 (zh) * | 2019-12-19 | 2021-06-24 | 深圳云天励飞技术股份有限公司 | 高空抛物的监测方法、装置、电子设备及存储介质 |
CN113487660A (zh) * | 2021-06-16 | 2021-10-08 | 普联国际有限公司 | 融合深度信息的运动目标检测方法、装置、介质及设备 |
CN114070747A (zh) * | 2021-11-15 | 2022-02-18 | 四川启睿克科技有限公司 | 基于vi算法的高斯混合模型的物联网设备状态检测方法 |
CN114693504A (zh) * | 2022-04-11 | 2022-07-01 | 武汉大学 | 一种基于fpga的混合高斯模型的图像处理方法 |
CN116679026A (zh) * | 2023-06-27 | 2023-09-01 | 江南大学 | 自适应无偏有限脉冲响应滤波的污水溶解氧浓度估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509073A (zh) * | 2011-10-17 | 2012-06-20 | 上海交通大学 | 一种基于高斯背景模型的静态目标分割的方法 |
CN102568005A (zh) * | 2011-12-28 | 2012-07-11 | 江苏大学 | 一种基于混合高斯模型的运动目标检测方法 |
-
2012
- 2012-09-27 CN CN201210365922.3A patent/CN103700114B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509073A (zh) * | 2011-10-17 | 2012-06-20 | 上海交通大学 | 一种基于高斯背景模型的静态目标分割的方法 |
CN102568005A (zh) * | 2011-12-28 | 2012-07-11 | 江苏大学 | 一种基于混合高斯模型的运动目标检测方法 |
Non-Patent Citations (4)
Title |
---|
ATSUSHI SHIMADA等: "Dynamic Control of Adaptive Mixture of Gaussians Background Model", 《IEEE INTERNATIONAL CONFERENCE ON VIDEO AND SIGNAL BASED SURVEILLANCE》, 30 November 2006 (2006-11-30), pages 1 - 5 * |
JIAN CHENG等: "Flexible background mixture models for foreground segmentation", 《IMAGE AND VISION COMPUTING》, 31 December 2006 (2006-12-31), pages 473 - 482 * |
THIERRY BOUWMANS等: "Statistical Background Modeling for Foreground Detection:A survey", 《WORLD SCIENTIFIC PUBLISHING》, 31 January 2010 (2010-01-31), pages 1 - 20 * |
刘洁等: "关于自适应高斯混合背景模型的更新算法的研究", 《软件天地》, vol. 22, no. 81, 10 August 2006 (2006-08-10), pages 241 - 243 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268874B (zh) * | 2014-09-26 | 2017-05-17 | 中国民航科学技术研究院 | 一种基于正态分布函数的非相参雷达图像背景建模方法 |
CN105118069A (zh) * | 2015-09-30 | 2015-12-02 | 杭州南江机器人股份有限公司 | 一种复杂环境直线检测和筛选方法及应用该方法的机器人 |
CN105118069B (zh) * | 2015-09-30 | 2019-08-13 | 杭州南江机器人股份有限公司 | 一种复杂环境直线检测和筛选方法及应用该方法的机器人 |
CN105752333B (zh) * | 2015-11-03 | 2019-08-06 | 天津艾思科尔科技有限公司 | 用于应急疏散指挥的飞行器 |
CN105752333A (zh) * | 2015-11-03 | 2016-07-13 | 天津艾思科尔科技有限公司 | 用于应急疏散指挥的飞行器 |
CN105700349A (zh) * | 2016-01-14 | 2016-06-22 | 天津中科智能识别产业技术研究院有限公司 | 一种用于夜间群众疏散指挥及逃生引导的无人机系统 |
CN106023258A (zh) * | 2016-05-26 | 2016-10-12 | 南京工程学院 | 改进的自适应高斯混合模型运动目标检测方法 |
CN106023258B (zh) * | 2016-05-26 | 2019-02-15 | 南京工程学院 | 改进的自适应高斯混合模型运动目标检测方法 |
CN107659754A (zh) * | 2017-07-18 | 2018-02-02 | 孙战里 | 一种树叶扰动情况下监控视频的有效浓缩方法 |
CN107659754B (zh) * | 2017-07-18 | 2020-09-04 | 安徽大学 | 一种树叶扰动情况下监控视频的有效浓缩方法 |
CN110006444A (zh) * | 2019-03-21 | 2019-07-12 | 南京师范大学 | 一种基于优化混合高斯模型的抗干扰视觉里程计构建方法 |
CN110232717A (zh) * | 2019-06-10 | 2019-09-13 | 北京壹氢科技有限公司 | 一种适用于多对多目标识别的目标同一性识别方法 |
CN111191027A (zh) * | 2019-12-14 | 2020-05-22 | 上海电力大学 | 一种基于高斯混合分布vae的广义零样本识别方法 |
CN111191027B (zh) * | 2019-12-14 | 2023-05-30 | 上海电力大学 | 一种基于高斯混合分布vae的广义零样本识别方法 |
WO2021120867A1 (zh) * | 2019-12-19 | 2021-06-24 | 深圳云天励飞技术股份有限公司 | 高空抛物的监测方法、装置、电子设备及存储介质 |
CN111461036A (zh) * | 2020-04-07 | 2020-07-28 | 武汉大学 | 一种利用背景建模增强数据的实时行人检测方法 |
CN111461036B (zh) * | 2020-04-07 | 2022-07-05 | 武汉大学 | 一种利用背景建模增强数据的实时行人检测方法 |
CN112183337A (zh) * | 2020-09-28 | 2021-01-05 | 华北电力大学(保定) | 一种输电线路防机械入侵的检测方法及装置 |
CN112348842A (zh) * | 2020-11-03 | 2021-02-09 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种从视频中自动快速获取场景背景的处理方法 |
CN113487660A (zh) * | 2021-06-16 | 2021-10-08 | 普联国际有限公司 | 融合深度信息的运动目标检测方法、装置、介质及设备 |
CN114070747A (zh) * | 2021-11-15 | 2022-02-18 | 四川启睿克科技有限公司 | 基于vi算法的高斯混合模型的物联网设备状态检测方法 |
CN114070747B (zh) * | 2021-11-15 | 2023-04-18 | 四川启睿克科技有限公司 | 基于vi算法的高斯混合模型的物联网设备状态检测方法 |
CN114693504A (zh) * | 2022-04-11 | 2022-07-01 | 武汉大学 | 一种基于fpga的混合高斯模型的图像处理方法 |
CN114693504B (zh) * | 2022-04-11 | 2024-07-26 | 武汉大学 | 一种基于fpga的混合高斯模型的图像处理方法 |
CN116679026A (zh) * | 2023-06-27 | 2023-09-01 | 江南大学 | 自适应无偏有限脉冲响应滤波的污水溶解氧浓度估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103700114B (zh) | 2017-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103700114A (zh) | 一种基于可变高斯混合数的复杂背景建模方法 | |
CN105354791B (zh) | 一种改进的自适应混合高斯前景检测方法 | |
CN103258332B (zh) | 一种抗光照变化的运动目标的检测方法 | |
CN103971386A (zh) | 一种动态背景场景下的前景检测方法 | |
CN104182772A (zh) | 一种基于深度学习的手势识别方法 | |
CN106599789A (zh) | 视频类别识别方法和装置、数据处理装置和电子设备 | |
CN102663405B (zh) | 基于显著度和混合高斯模型的监控视频前景提取方法 | |
CN108960189A (zh) | 图像再识别方法、装置及电子设备 | |
CN103096185B (zh) | 一种视频摘要生成方法和装置 | |
CN102147861A (zh) | 一种基于颜色-纹理双重特征向量进行贝叶斯判决的运动目标检测方法 | |
CN104156729B (zh) | 一种教室人数统计方法 | |
CN101216943B (zh) | 一种视频运动目标分割的方法 | |
CN106204586A (zh) | 一种基于跟踪的复杂场景下的运动目标检测方法 | |
CN105046202B (zh) | 自适应的人脸识别光照处理方法 | |
CN105513053A (zh) | 一种用于视频分析中背景建模方法 | |
CN103955682A (zh) | 基于surf兴趣点的行为识别方法及装置 | |
CN106570885A (zh) | 基于亮度和纹理融合阈值的背景建模方法 | |
CN114092517A (zh) | 基于传统和深度学习算法的多目标跟踪方法 | |
CN105426928B (zh) | 一种基于Haar特征和EOH特征的行人检测方法 | |
CN103700118B (zh) | 基于脉冲耦合神经网络的动目标检测方法 | |
CN110717454A (zh) | 一种舞台环境下的轮式机器人障碍检测方法 | |
CN101901486A (zh) | 运动目标检测方法和装置 | |
CN103778644A (zh) | 基于多尺度码本模型的红外运动目标检测方法 | |
CN103996207A (zh) | 一种物体跟踪方法 | |
CN108846420A (zh) | 网络结构以及客户端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |