• 软件
  • Altium Designer
  • Atmel studio
  • CAD
  • CAM
  • Candence
  • CCS
  • Codewarrior
  • CorelDRAW
  • IAR
  • ISE
  • Keil
  • Labview
  • Libero IDE
  • Matlab
  • MDK
  • Modelsim
  • Multisim
  • PADS
  • Protel
  • proteus
  • Quartus
  • Source Insight
  • Visual Studio
  • 编程语言
  • C
  • C++
  • C#
  • JAVA
  • Objective-c
  • VB
  • 汇编
  • Matlab编程
  • Labview编程
  • Verilog HDL
  • VHDL
  • python
  • ruby
  • delphi
  • SQL
  • CGI
  • Perl
  • R
  • Swift
  • php
  • ASP
  • JSP
  • .NET
  • HTML
  • javascript
  • 其他
  • 应用
  • 嵌入式
  • 单片机
  • 电源
  • 测试测量
  • 工业控制
  • 汽车电子
  • 安防监控
  • 医疗电子
  • 通信网络
  • 模拟技术
  • 机械综合
  • 显示光电
  • 智能小车
  • 消费电子
  • 物联网
  • 智能硬件
  • 照明
  • 电子基础
  • IC设计
  • 串口调试
  • 模拟电路
  • 数字电路
  • ADC
  • MOS
  • 放大器
  • 存储器
  • 编解码
  • 算法
  • DIY
  • 技术热点
  • Android
  • ARM
  • AVR
  • DSP
  • EDA
  • FPGA
  • IOS
  • Linux
  • MIPS
  • Msp430
  • Nucleus
  • PCB
  • PLC
  • PLD
  • STM
  • Symbian
  • ubuntu
  • vxworks
  • 常用软件
  • 免费区
  • 付费区
  • 排行榜
  • ebook
  • 最新搜索: 正弦波逆变器 ISO rtthread中文参考手册 HR911105A 无线通信技术zigbeeCC2530的开发实例源码与教程 NTC
    推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5
  • 基于熵图像和隶属度图的高斯混合背景模型

    更新时间:2019-10-17 15:02:14 大小:759K 上传用户:江岚查看TA发布的资源 浏览次数:323 下载积分:2分 下载次数:0 次 标签:高斯混合背景模型 出售积分赚钱 评价赚积分 ( 如何评价?) 收藏 评论(0) 举报

    资料介绍

    摘 要:经典的高斯混合背景模型中,高斯分量的个数是固定的,近邻像素间的相关性也没有被考虑。作为对这种

    模型的改进,该文利用熵图像来度量背景像素亮度分布的复杂程度,进而给出了根据熵图像为各像素选择高斯函数

    个数的方法,在保证检测精度的前提下节约计算资源;并利用隶属度来表示像素属于背景的可能性,通过融合各像

    素邻域的局部信息来对其进行有效的分类,使得分类决策的结果更可靠,而计算量却增加不多。多种真实场景下的

    实验证明了这种算法在计算速度和精度上的良好性能。


    部分文件列表

    文件名
    大小
    基于熵图像和隶属度图的高斯混合背景模型.pdf
    759K

    部分页面预览

    (完整内容请下载后查看)
    30 8 期  
    2008 8 月  
    电 子 与 信 息 学 报  
    Vol.30No.8  
    Aug..2008  
    Journal of Electronics & Information Technology  
    基于熵图像和隶属度图的高斯混合背景模型  
    左军毅  
    赵春晖  
    程咏梅  
    张洪才  
    (西北工业大学自动化学院 西安 710072)  
    经典的高斯混合背景模型中斯分量的个数是固定的邻像素间的相关性也没有被考虑为对这种  
    模型的改进文利用熵图像来度量背景像素亮度分布的复杂程度而给出了根据熵图像为各像素选择高斯函数  
    个数的方法保证检测精度的前提下节约计算资源利用隶属度来表示像素属于背景的可能性过融合各像  
    素邻域的局部信息来对其进行有效的分类使得分类决策的结果更可靠计算量却增加不多种真实场景下的  
    实验证明了这种算法在计算速度和精度上的良好性能。  
    关键词:运动目标检测;背景建模;熵图像;高斯混合模型  
    中图分类号TP391  
    文献标识码A  
    文章编号1009-5896(2008)08-1918-05  
    Gaussian Mixture Background Model Based on  
    Entropy Image and Membership-Degree-Image  
    Zuo Jun-yi  
    Liang Yan  
    Zhao Chun-hui  
    Pan Quan  
    Cheng Yong-mei  
    Zhang Hong-cai  
    (College of Automation, Northwestern Polytechnical University, Xi’ an 710072, China)  
    Abstract: The number of Gaussian component is fixed and correlativity of class label between adjacent pixels is not  
    considered in classical Gaussian mixture background model. As an improved version of the model, the main  
    contribution of this paper is twofold. The first is to construct entropy image to measure the complexity of pixel’s  
    intensity distribution, and further present the adaptation mechanism for automatically choosing the component  
    number of Gaussian mixture model for each pixel according to entropy image so that the computational cost can  
    be reduced without significantly sacrificing detection accuracy. The other is to use the membership degree to  
    measure the degree that one pixel belongs to the background, and further fusion the local information within its  
    adjacent region for effective pixel classification so that the classification decision becomes more reliable without  
    significantly increasing the computation load. Experiments conducted on various real scenes demonstrate the good  
    performance in computational speed and accuracy.  
    Key words: Moving object detection; Background modeling; Entropy image; Gaussian mixture model  
    1
    引言  
    自动选择机制,但由此带来的附加计算量很大,以致抵消了  
    分量个数自适应所带来的好处,因此实用价值不大。  
    另外用近邻像素间的相关性来提高检测精度被证明  
    背景减除是从摄像机固定情况下获取的视频序列中检  
    测运动目标的一种主流方法方法的核心步骤是建立背景  
    模型,背景模型的优劣是决定检测效果的最重要因素。已知  
    的背景模型有:时间平均模型[1]、单高斯模型[2]、高斯混合  
    模型[1, 3](GMM)等等GMM 是用多个高斯函数的加权  
    和来近似背景像素的亮度分布复杂背景环境下获得了较  
    好的检测效果。GMM 的最初版本[1]EM 算法来更新分布  
    参数,计算量大。而 Stauffer [3]提出的基于简化参数更新  
    方案GMM 一直被认为是高斯混合背景模型的代表。  
    然而,Stauffer 的背景模型对所有像素都采用固定数目  
    的高斯分量个数在计算资源的分配上不是最优的Han[4]  
    Zivkovic[5, 6]虽然在高斯混合背景模型中引入了分量个数  
    [7]  
    是一条有效途GMM 模型没有充分利用这一有用信息,  
    它将每个像素当前值和其背景模型进行比对后即独立地  
    进行硬判决,结果不但使门限参数的选取很困难,且检测精  
    度不高。  
    GMM 模型的这两点不足,本文拟解决以下问题:  
    (1)如何有效利用视频背景的复杂度信息过高斯分量数的  
    自适应选取来降GMM 模型的计算量检测精度基本保  
    持不变(2)如何利用近邻像素间的相关性来提GMM 的检  
    测精度,而计算代价增加不多。  
    2
    新的运动目标检测方案  
    2.1 基本思想  
    视频背景中不同位置的像素的亮度分布复杂度往往不  
    同。文献[8]用实例验证了这种差异的存在。不同亮度分布复  
    2007-01-09 收到,2007-06-18 改回  
    国家自然科学基金重点项目(60634030)国家自然科学基金  
    (60372085)资助课题  
  • 1
  • 2
  • 3
  • 4
  • 5
  • 推荐下载

    全部评论(0)

    暂无评论