傳統(tǒng)的背景模型,在背景復(fù)雜、群體性目標(biāo)之間存在遮擋的情況下,不能有效地提取群體目標(biāo)。筆者提出一種改進(jìn)的基于流體力學(xué)的群體目標(biāo)檢測方法,利用流體動力學(xué),將圖像中的像素點看成粒子,在光流場中計算每個粒子的運動軌跡,進(jìn)而獲取粒子流圖;接著在流圖中計算李雅普洛夫指數(shù),得出運動邊界;最后,利用圖像分割以及形態(tài)學(xué)的開閉運算獲得群體目標(biāo)。實驗結(jié)果表明,該算法能在群體目標(biāo)之間存在遮擋的場景中高效、準(zhǔn)確地提取前景目標(biāo)。 

【文章來源】：信息與電腦(理論版). 2019,31(19)

【文章頁數(shù)】：2 頁

【部分圖文】：

背景模型與流體動力學(xué)方法比較

（2）采用線性插值替代原來算法中的立體插值，讀取5個在步驟（1）中求得的平均光流場，用以計算流圖；（3）利用計算空間梯度，然后通過得到Cauchy-Green應(yīng)變張量；（4）利用計算出李雅普洛夫指數(shù)。然后采用圖像分割以及形態(tài)學(xué)的開閉運算最終獲得人群目標(biāo)。3實驗結(jié)果及分析為了將本文算法與Stauffer等提出的算法作比較，突顯本文算法的獨特性,本文在同一臺計算機上，針對同一段復(fù)雜場景中的人群視頻，分別采用以上兩種方法對其進(jìn)行群體目標(biāo)檢測。實驗結(jié)果如圖1所示。圖1a和圖1d是視頻序列中的同一幀，用于測試算法；圖1b是混合背景模型人群檢測實驗結(jié)果，圖1c是經(jīng)過形態(tài)處理后的實驗結(jié)果。實驗結(jié)果表明，在人群目標(biāo)之間存在遮擋的復(fù)雜環(huán)境中，本文所采用的基于改進(jìn)的流體動力學(xué)人群檢測方法，與傳統(tǒng)的高斯混合模型相比，能夠有效地解決背景模型人群目標(biāo)之間存在遮擋時，出現(xiàn)的漏檢和誤檢問題。4結(jié)語本文主要針對在人群目標(biāo)之間存在遮擋的復(fù)雜環(huán)境中，傳統(tǒng)的背景模型容易出現(xiàn)誤檢和漏檢的局限，提出了一種改進(jìn)的基于流體力學(xué)的群體目標(biāo)檢測方法。在保證人群目標(biāo)檢測準(zhǔn)確率的前提下，本文采用線性插值替代了原始算法中的空間插值，降低了算法復(fù)雜度。實驗證明，本文采用的算法在降低時間復(fù)雜度和計算復(fù)雜度的同時，還具有良好的穩(wěn)定性。圖1a測試幀圖1b背景模型檢測結(jié)果圖1c形態(tài)學(xué)處理后（GMM）圖1d測試幀圖1e光流場平均圖1f流體動力學(xué)檢測結(jié)果圖1背景模型與流體動力學(xué)方法比較參考文獻(xiàn)[1]MAril,JRichard.DetectingDominantMotionsinDenseCrowd[J].SignalProcessing,2008,2(4):568-581.[2]ACDavies,JHYin,SAVela

（2）采用線性插值替代原來算法中的立體插值，讀取5個在步驟（1）中求得的平均光流場，用以計算流圖；（3）利用計算空間梯度，然后通過得到Cauchy-Green應(yīng)變張量；（4）利用計算出李雅普洛夫指數(shù)。然后采用圖像分割以及形態(tài)學(xué)的開閉運算最終獲得人群目標(biāo)。3實驗結(jié)果及分析為了將本文算法與Stauffer等提出的算法作比較，突顯本文算法的獨特性,本文在同一臺計算機上，針對同一段復(fù)雜場景中的人群視頻，分別采用以上兩種方法對其進(jìn)行群體目標(biāo)檢測。實驗結(jié)果如圖1所示。圖1a和圖1d是視頻序列中的同一幀，用于測試算法；圖1b是混合背景模型人群檢測實驗結(jié)果，圖1c是經(jīng)過形態(tài)處理后的實驗結(jié)果。實驗結(jié)果表明，在人群目標(biāo)之間存在遮擋的復(fù)雜環(huán)境中，本文所采用的基于改進(jìn)的流體動力學(xué)人群檢測方法，與傳統(tǒng)的高斯混合模型相比，能夠有效地解決背景模型人群目標(biāo)之間存在遮擋時，出現(xiàn)的漏檢和誤檢問題。4結(jié)語本文主要針對在人群目標(biāo)之間存在遮擋的復(fù)雜環(huán)境中，傳統(tǒng)的背景模型容易出現(xiàn)誤檢和漏檢的局限，提出了一種改進(jìn)的基于流體力學(xué)的群體目標(biāo)檢測方法。在保證人群目標(biāo)檢測準(zhǔn)確率的前提下，本文采用線性插值替代了原始算法中的空間插值，降低了算法復(fù)雜度。實驗證明，本文采用的算法在降低時間復(fù)雜度和計算復(fù)雜度的同時，還具有良好的穩(wěn)定性。圖1a測試幀圖1b背景模型檢測結(jié)果圖1c形態(tài)學(xué)處理后（GMM）圖1d測試幀圖1e光流場平均圖1f流體動力學(xué)檢測結(jié)果圖1背景模型與流體動力學(xué)方法比較參考文獻(xiàn)[1]MAril,JRichard.DetectingDominantMotionsinDenseCrowd[J].SignalProcessing,2008,2(4):568-581.[2]ACDavies,JHYin,SAVela


本文編號：3502773