没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
视频的目标分割与阴影检测技术是计算视觉领域中最主要的研究方向之一。基于混合高斯模型,提出一种双重阴影消除策略,首先通过HSV模型下的颜色夹角确定疑似阴影,再对运动目标和疑似阴影进行混合高斯建模而消除实际阴影。通过实验表明,该策略在不影响目标识别的情况下可以较好的检测并消除在不同光照环境下的随伴运动目标阴影,具有较高的鲁棒性,从而能保证目标检测的连续性和准确性。
资源推荐
资源详情
资源评论
一种基于混合高斯模型的运动目标阴影检测策略
摘要:视频的目标分割与阴影检测技术是计算视觉领域中最主要的研究方向之一 。基于混合高斯模型,提出一种双重阴
影消除策略,首先通过 HSV 模型下的颜色夹角确定疑似阴影,再对运动目标和疑似阴影进行混合高斯建模而消除实际
阴影。通过实验表明,该策略在不影响目标识别的情况下可以较好的检测并消除在不同光照环境下的随伴运动目标阴影 ,
具有较高的鲁棒性,从而能保证目标检测的连续性和准确性。
关键词:运动目标;阴影检测;混合高斯模型;
中图分类号:TP391
A Shadow Detection Strategy for Moving Targets Based on GMM
Abstract:The object division.and shadow detection technology of video is one of key research directions in computer
vision. A shadow elimination strategy is put forward based on GMM. First, suspected shadow is decided by colour angle
under the HSV color model, then the moving targets together with suspected shadow are modeled with GMM so as to
eliminate the true shadow. The experiments suggested that the strategy capable of detecting and eliminating the shadow
accompanied with moving targets which in environments with different light. The experiments results demonstrated the good
robustness of the strategy that will ensure continuity and accuracy during targets detection at the same time.
Keywords:moving targets; shadow detection; GMM
运动目标的识别和跟踪一直是计算机视觉领域的主要研究方向,它是指用摄像设备和计算机等仿生
人类的生理视觉感知机制,形成所谓的“机器视觉”。通过计算机对摄像设备所获得的视频进行分析,能
够得到图像序列中感兴趣的运动目标的几何信息,包括形状、位置坐标等,进而根据目标的某种特征,
把连续的图像序列中的感兴趣的同一运动目标识别并进行关联,从而得到单一或多个目标的运动轨迹
[1]
。
目标检测是运动目标跟踪技术中十分重要也是最基本的步骤,只有准确的对运动目标进行检测,才
能为后续的目标跟踪、分析及理解打下良好基础。目标检测即是运用相关算法或者规则,找出包含于场
景中的动态目标的像素点,同时将场景中的静态像素点去除。目标检测方法按其原理可划分为三个基本
类别,即帧间差分、光流和背景差减。背景差减法运算速度较快,实时性较好,是当前运动目标检测中
最 常 用 的 一 类 方 法 。 其 中 , Stauffer 和 Grimson 了 提 出 利 用 高 斯 混 合 模 型 ( Gaussian mixture
model,GMM)来建立背景模型,能较好地克服环境光照变化、枝叶摇晃等因素引起的影响。但是,高斯
混合背景模型并不能实现对运动物体的阴影检测并消除
[2]
,阴影不属于运动目标,必须要消除。由于实
际环境的复杂性,当光照到不透明物体上或是光照不均匀等情况时,阴影难免会伴随着物体同时出现,
而且它是随着光照的方向和强度不断变化其方向和强度的。本文首先利用混合高斯背景模型来消除背景 ,
在这基础上再使用确定疑似阴影和对目标及阴影再次进行 GMM 建模(GMM_S)的“双重”方法,有效的
消除了视频图像序列中运动目标的伴随阴影。
1. 混合高斯模型
GMM 原理是把一帧图像中的每一个坐标处像素的颜色值用 M 个单高斯模型来表征
[3]
,分别对应于
该像素 M 个不同的状态。其中 M 在 3-5 个之间,那么,像素 x
i
在时刻 t 的概率分布如下表示:
(1)
(1)式即是 GMM 表达式,式中 是 t 时刻第 k 个单高斯模型的权重,符合 。 是 n 维
高斯分布,即:
资源评论
- 鹏程万里lp2014-05-25很不错,可以学习下
- liangxing4062014-06-20写的很详细,值得参考
zs542507066
- 粉丝: 0
- 资源: 1
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功