基本信息
- 项目名称：
- 基于改进混合高斯模型的目标检测系统
- 来源：
- 第十二届“挑战杯”省赛作品
- 小类：
- 信息技术
- 大类：
- 科技发明制作B类
- 简介：
- 本系统设计并实现了一种基于色度空间的最邻近n帧改进算法，以提高传统混合高斯模型的目标检测效果。当光照发生突然变化时，利用像素点的色度信息代替RGB值，有效避免亮度突变的干扰；为了反映背景的动态变化，检测系统使用各高斯分布在最近n帧与像素点测量值的匹配次数的指数函数实现权重值的更新。
- 详细介绍：
- 1、基本框架： 基于混合高斯模型的目标检测方法主要分为初始化、参数更新、背景建立、目标提取四个阶段。 2、创新特色： 一、基于色度空间的改进算法： 在光照突变时，采用色度信息进行背景模型匹配和参数更新操作，避免亮度变化对检测结果的干扰 。 二、最邻近n帧快速收敛算法：抛开传统算法中权重更新因子的概念，利用高斯分布在最近数帧内匹配次数的指数函数直接完成权重更新工作，实现背景模型快速收敛。 3、功能说明： 本系统主要分为三大模块：视频打开与录制模块；视频处理模块；视频显示与控制模块。我们使用MATLAB完成核心算法的设计，采用VC实现系统交互设计，并利用MATCOM实现VC与MATLAB的混合编程。其中，借助OpenCV软件平台完成基本的图像处理功能。 4、前景展望： 本作品的研究成果可广泛应用于智能交通检测，军事视觉制导、机器人视觉导航、安全监测、虚拟现实以及战场警戒等领域中。
作品图片
作品专业信息
设计、发明的目的和基本思路、创新点、技术关键和主要技术指标
- 研究目的： 1、通过研究基于非线性权值递推公式的权值更新算法，提出一种实现背景模型快速收敛的新思路； 2、根据不同颜色空间的特征，探索采用转换颜色空间的方式，加强算法的稳定性，抑制光照突变的干扰； 3、基于改进算法的运动目标检测系统的设计与开发，将大大增加改进方案的说服力，提高本项目的实用价值。 基本思路： 1、最邻近n帧改进算法： 首先根据检测场景的实际状况设置参考视频帧的数目n，若背景在短期内易发生动态变化，那么n的取值应该较小；然后记录各像素点的每个高斯分布在最近n帧内与该点测量值的匹配次数；最后利用各高斯分布对应的匹配次数的指数函数值计算的权重，实现背景模型的权重更新。2、基于色度空间的改进算法： 首先当前景范围占到整个画面的80%以上，表示出现了光照的突然变化，需要重新进行目标检测；其次，对各像素点和背景模型进行颜色空间的转换，将其RGB值都转化为HSB值，并舍去其中的亮度值；最后在HSB颜色空间中进行目标提取操作。 创新点： 1、抛开传统算法中权重更新因子的概念，利用高斯分布在最近数帧内匹配次数的指数函数直接完成权重更新工作，实现背景模型快速收敛； 2、基于不同颜色空间的表现特征，在确定场景中的光照发生突变之后，利用像素点的HSB值重新进行模型匹配，避免光照突变对检测结果的干扰。 技术关键： 1、MATLAB与VC++的混合编程 2、最邻近n帧改进算法； 3、基于色度空间的改进算法。
科学性、先进性
- 作品的科学性先进性: 由于传统混合高斯模型仍然存在以下缺点：参数更新的收敛速度较慢，不能够及时反映背景的变化，影响背景建模的准确性；对全局亮度的变化比较敏感，有时会将整个视频帧作为前景。因此，本文提出一种基于色度空间的最邻近n帧快速收敛算法，以改进传统的混合高斯背景建模方法。 当光照突变时，我们利用像素点的色度信息代替RGB值完成目标检测工作，有效避免亮度突变对检测结果的干扰；为了能够及时反映背景的动态变化，检测系统需要记录各高斯分布在最近n帧内与像素点测量值的匹配次数，借助匹配数的指数函数实现权重值的更新和快速收敛。实验证明本项目提出的改进算法比传统算法具有更好的收敛性和鲁棒性。
获奖情况及鉴定结果
- 发表国际会议论文一篇，并将被EI检索； 由权威检索中心出示查新报告； 在西安电子科技大学第22届“星火杯”竞赛中荣获特等奖； 在西安电子科技大学本科生训练计划中成功立项； 在计算机学院SCST杯创新科技大赛中荣获一等奖；
作品所处阶段
- 中试阶段
技术转让方式
- 暂无技术转让
作品可展示的形式
- 实物、产品 磁盘 现场演示 录像
使用说明,技术特点和优势,适应范围,推广前景的技术性说明,市场分析,经济效益预测
- 使用说明： 为方便用户使用，本系统提供了三种形式的交互方案。一、自带测试视频；二，视频导入系统；三、现场录像功能。 技术特点与优势： 本系统深入研究混合高斯模型和目标检测基本框架，并提出一种基于色度空间的最邻近n帧改进算法，有效加快收敛速度，避免光照突变对检测结果的干扰。 适用范围： 本项目的研究成果可应用于智能交通检测，军事视觉制导、机器人视觉导航、安全监测、医疗诊断、虚拟现实以及战场警戒等领域中。 推广前景： 本项目提供了一个可扩展的实验平台，也即一个基本视频运动目标检测接口，可被用于其他技术的开发和其他领域的使用，具有较好的推广价值和应用前景。 市场效益分析： 本项目的市场效益主要体现在其应用领域的广泛性和检测效果的可实用性。本项目旨在搭建一个较完善的系统平台，在此基础上，可随时随地地加入相应领域的应用要求和指标参数，对其进行功能上的扩充和具体化，使之投入生产和使用。
同类课题研究水平概述
- 运动目标检测是智能监控领域的重要研究课题，也是视觉运动分析的关键步骤。在现实生活中，大量重要的视觉信息包含在运动之中。因此从序列图像中将运动变化区域从背景图像中分割提取出来是运动目标分类、跟踪和行为理解等后期处理过程的基础性工作。 复杂背景下的运动目标检测方法主要分为三大类：光流法；帧间差分法；背景图像差分法。其中，光流法的计算量大，抗噪性差，硬件要求高，一般不能被应用于实时处理中；帧间差分法实时性较强，但通常不能提取出所有相关的特征像素点，运动目标内部容易出现空洞；而背景差分法是目标检测最常用的一种方法。 背景差分法的关键是对背景进行合理建模，减少动态场景变化对于运动分割的影响。目前，背景差分法已经成为计算机视觉领域的研究热点。Haritaoglu等人利用最小、最大强度值为场景中各像素进行统计建模，并进行周期性的背景更新；Ridder等使用卡尔曼滤波建立背景模型，以适应天气的时间变化；Pfinder系统用单高斯分布进行背景建模；混合高斯模型是Stauffer等人提出的一种自适应背景建模方法，其核心思想是为每一个像素点建立多个随时间变换的高斯统计模型。 自诞生以来，人们已经提出了很多混合高斯模型的变形和改进算法。其中包括P.KaewTraKulPong借助EM算法完成模型的初始化，从而提高学习过程的准确性和收敛速度；Zoran Zivkovic提出的算法克服了高斯模型数目固定的缺陷，有效减少了各帧的处理时间； Michal Sofka主张用前景、背景分割阈值代替全局阈值，以降低全局阈值的敏感性。 基于上述研究现状，一方面，运动目标检测的应用十分广泛，设计并实现一种开销小，速度块，稳定性好的检测算法，其实用价值和市场效益将会是巨大的；另一方面，混合高斯模型作为一种最常用的运动目标检测算法，尽管有很多的变形和改进算法，但仍然存在一些固有缺点：背景模型收敛速度慢；对光照突变敏感。
