改进的混合高斯模型及阴影消除方法

doi:10.3724/SP.J.1087.2013.01394

计算机应用 ›› 2013, Vol. 33 ›› Issue (05): 1394-1400.DOI: 10.3724/SP.J.1087.2013.01394

改进的混合高斯模型及阴影消除方法

陈雷¹,张荣国¹,胡静¹,刘焜²

1. 太原科技大学计算机科学与技术学院，太原 030024
2. 合肥工业大学机械与汽车工程学院，合肥 230009

收稿日期:2012-10-24 修回日期:2012-12-11 发布日期:2013-05-08 出版日期:2013-05-01
通讯作者: 张荣国
作者简介:陈雷(1981-)，男，山东菏泽人，硕士，主要研究方向：图像处理、计算机视觉；张荣国(1964-)，男，山西太原人，教授，博士，主要研究方向：计算机图形学与辅助设计、图形图像处理、模式识别；胡静(1977-)，女，山西大同人，副教授，硕士，主要研究方向：图形图像处理、优化算法；刘焜(1963-)，男，陕西汉中人，教授，博士，主要研究方向：现代设计方法。
基金资助:
国家自然科学基金资助项目(51075113);太原科技大学博士基金资助项目(20122015)

Improved Gaussian mixture model and shadow elimination method

CHEN Lei¹,ZHANG Rongguo¹,HU Jing¹,LIU Kun²

1. School of Computer Science and Technology,Taiyuan University of Science and Technology, Taiyuan Shanxi 030024, China
2. School of Mechanical and Automotive Engineering, Hefei University of Technology, Hefei Anhui 230009,China

Received:2012-10-24 Revised:2012-12-11 Online:2013-05-08 Published:2013-05-01
Contact: ZHANG Rongguo

摘要/Abstract

摘要： 为了有效减少运动目标检测中混合高斯模型的计算量和提高阴影消除的准确性，提出了一种选择性地更新混合高斯模型和基于亮度变化消除阴影的方法。首先，在各个高斯分布进行更新之前，先将其权值与不属于背景的高斯分布的比重进行比较，若前者较大，则此高斯分布不更新，反之则更新；然后，在阴影消除时，将亮度的变化程度作为阴影检测阈值的一个因子，以使其随亮度变化自适应地做出调整。最后，将该方法与传统方法在室内外视频条件下进行了实验对比，结果表明该方法的计算时间约为传统方法的1/3，阴影消除更加准确。

关键词: 运动目标检测, 自适应, 背景减除, 阈值, 混合高斯模型, 阴影消除

Abstract: To reduce the computation of Gauss mixture model effectively and improve the accuracy of shadow elimination in moving object detection, an algorithm which updated the model selectively and eliminated the shadow by the change of brightness was proposed. Firstly, the weight of the Gauss distribution and the rate of those that did not belong to the background were compared before updating the Gauss distribution, if the former was larger, then did not update it, otherwise, updated it; Secondly, the range of brightness change was chosen to be a threshold factor of shadow detection, so that the threshold could be adjusted adaptively according to the change of brightness. Finally, compared this algorithm with the traditional ones through experiments on indoor and outdoor videos, the experimental results show that the time consumption of the algorithm is about one-third of the traditional ones, the accuracy of shadow eliminating is improved and the efficiency of the algorithm is confirmed.

Key words: moving object detection, adaptive, background subtraction, threshold, Gaussian mixture model, shadow elimination

中图分类号:

TP391.41

陈雷张荣国胡静刘焜. 改进的混合高斯模型及阴影消除方法[J]. 计算机应用, 2013, 33(05): 1394-1400.

CHEN Lei ZHANG Rongguo HU Jing LIU Kun. Improved Gaussian mixture model and shadow elimination method[J]. Journal of Computer Applications, 2013, 33(05): 1394-1400.

参考文献

［1］王亮，胡卫明，谭铁牛.人运动的视觉分析综述［J］. 计算机学报，2002，25(3):225-237.

［2］STEIN F. Efficient computation of optical flow using the census transform［C］// DAGM 2004, LNCS 3175. Berlin: Springer, 2004:79-86.

［3］ZHANG R，ZHANG S-Z，YU S-Y．Moving objects detection method based on brightness distortion and chromaticity distortion［J］.IEEE Transactions on Consumer Electronics，2007，53(3):1177-1185．

［4］杨莉，张荣国，胡静，等.基于C-V模型的运动目标水平集提取方法［J］. 太原科技大学学报，2012，33(4):254-258.

［5］STAUFFER C， GRIMSON W E L. Adaptive background mixture models for real-time tracking［C］// Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington，DC: IEEE Computer Society，1999: 246-252.

［6］MANDELLOS N A， KERAMITSOGLOU I， KIRANOUDIS C T. A background subtraction algorithm for detecting and tracking vehicles［J］. Expert Systems with Applications，2011，38(3):1619-1631.

［7］KAEWTRAKULPONG P， BOWDEN R. An improved adaptive background mixture model for real-time tracking with shadow detection［C］// Proceedings of the 2nd European Workshop on Advanced Video-based Surveillance Systems. Berlin: Springer-Verlag，2001:149-158.
［8］白向峰，李艾华，李喜来，等.新型背景混合高斯模型［J］. 中国图象图形学报，2011，16(6): 983-988.

［9］金广智，石林锁，白向峰，等.基于混合高斯模型的新型目标检测系统［J］. 计算机应用，2011，31(12):3360-3365.

［10］王典，程咏梅，杨涛，等.基于混合高斯模型的运动阴影抑制算法［J］. 计算机应用，2006，26(5): 1021-1026.

［11］ZIVKOVIC Z, van der HEIJDEN F. Efficient adaptive density estimation per image pixel for the task of background subtraction［J］. Pattern Recognition Letters，2006，27(7):773-780.

［12］贾棋，郭禾，宫宇.一种实用的运动人体检测与阴影消除方法［J］. 系统仿真学报，2009，21(s2):151-153.

［13］王宁.图像的阴影检测与去除算法研究［D］. 北京: 北京交通大学，2008.

［14］张杰，丁广太.运动人体阴影检测算法［J］. 计算机工程与设计， 2010，31(7): 1519-1522.

［15］王晓东，霍宏，方涛.基于快速归一化互相关函数的运动车辆阴影检测算法［J］. 计算机应用， 2006，26(9): 2065-2068.

[1]	姚光磊, 熊菊霞, 杨国武. 基于神经网络优化的花朵授粉算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2829-2837.
[2]	方介泼, 陶重犇. 应对零日攻击的混合车联网入侵检测系统[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2763-2769.
[3]	赵秦壮, 谭红叶. 基于自适应阈值学习的时序因果推断方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2660-2666.
[4]	杨乐, 张达敏, 何庆, 邓佳欣, 左锋琴. 改进猎人猎物优化算法在WSN覆盖中的应用[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2506-2513.
[5]	徐航, 杨智, 陈性元, 韩冰, 杜学绘. 基于自适应敏感区域变异的覆盖引导模糊测试[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2528-2535.
[6]	李贵勇, 何斌, 方磊. 基于差异阈值循环分组的密钥生成算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2110-2115.
[7]	李焱, 潘大志, 郑思情. 多车场带时间窗车辆路径问题的改良自适应大邻域搜索算法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1897-1904.
[8]	吴锦富, 柳毅. 基于随机噪声和自适应步长的快速对抗训练方法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1807-1815.
[9]	李威, 陈玲, 徐修远, 朱敏, 郭际香, 周凯, 牛颢, 张煜宸, 易珊烨, 章毅, 罗凤鸣. 基于多任务学习的间质性肺病分割算法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1285-1293.
[10]	韦修喜, 彭茂松, 黄华娟. 基于多策略改进蝴蝶优化算法的无线传感网络节点覆盖优化[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1009-1017.
[11]	刘一迪, 温自豪, 任富香, 李诗音, 唐德玉. 自适应球形演化的药物-靶标相互作用预测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 989-994.
[12]	李俊杰, 望育梅, 李志军, 刘雨. 全景视频基于块的视口自适应传输方案综述[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 536-547.
[13]	王震, 张珊珊, 邬斌扬, 苏万华. 基于自适应粒子群优化算法的串联复合涡轮储能优化策略[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 611-618.
[14]	刘勇, 杨锟. 新能源汽车电池回收网点竞争选址模型及算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 595-603.
[15]	闫文杰, 党东月. 基于特征自适应提取的宽度量子态层析模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3861-3866.

改进的混合高斯模型及阴影消除方法

Improved Gaussian mixture model and shadow elimination method

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics