發(fā)布時(shí)間：2021-11-18 10:57

　　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(cè)方法,利用流體動(dòng)力學(xué),將圖像中的像素點(diǎn)看成粒子,在光流場(chǎng)中計(jì)算每個(gè)粒子的運(yùn)動(dòng)軌跡,進(jìn)而獲取粒子流圖;接著在流圖中計(jì)算李雅普洛夫指數(shù),得出運(yùn)動(dòng)邊界;最后,利用圖像分割以及形態(tài)學(xué)的開閉運(yùn)算獲得群體目標(biāo)。實(shí)驗(yàn)結(jié)果表明,該算法能在群體目標(biāo)之間存在遮擋的場(chǎng)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(dòng)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(gè)在步驟（1）中求得的平均光流場(chǎng)，用以計(jì)算流圖；（3）利用計(jì)算空間梯度，然后通過得到Cauchy-Green應(yīng)變張量；（4）利用計(jì)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(yùn)算最終獲得人群目標(biāo)。3實(shí)驗(yàn)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(dú)特性,本文在同一臺(tái)計(jì)算機(jī)上，針對(duì)同一段復(fù)雜場(chǎng)景中的人群視頻，分別采用以上兩種方法對(duì)其進(jìn)行群體目標(biāo)檢測(cè)。實(shí)驗(yàn)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(cè)試算法；圖1b是混合背景模型人群檢測(cè)實(shí)驗(yàn)結(jié)果，圖1c是經(jīng)過形態(tài)處理后的實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)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(dòng)力學(xué)人群檢測(cè)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(shí)，出現(xiàn)的漏檢和誤檢問題。4結(jié)語本文主要針對(duì)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(cè)方法。在保證人群目標(biāo)檢測(cè)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(shí)驗(yàn)證明，本文采用的算法在降低時(shí)間復(fù)雜度和計(jì)算復(fù)雜度的同時(shí)，還具有良好的穩(wěn)定性。圖1a測(cè)試幀圖1b背景模型檢測(cè)結(jié)果圖1c形態(tài)學(xué)處理后（GMM）圖1d測(cè)試幀圖1e光流場(chǎng)平均圖1f流體動(dòng)力學(xué)檢測(cè)結(jié)果圖1背景模型與流體動(dòng)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(gè)在步驟（1）中求得的平均光流場(chǎng)，用以計(jì)算流圖；（3）利用計(jì)算空間梯度，然后通過得到Cauchy-Green應(yīng)變張量；（4）利用計(jì)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(yùn)算最終獲得人群目標(biāo)。3實(shí)驗(yàn)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(dú)特性,本文在同一臺(tái)計(jì)算機(jī)上，針對(duì)同一段復(fù)雜場(chǎng)景中的人群視頻，分別采用以上兩種方法對(duì)其進(jìn)行群體目標(biāo)檢測(cè)。實(shí)驗(yàn)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(cè)試算法；圖1b是混合背景模型人群檢測(cè)實(shí)驗(yàn)結(jié)果，圖1c是經(jīng)過形態(tài)處理后的實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)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(dòng)力學(xué)人群檢測(cè)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(shí)，出現(xiàn)的漏檢和誤檢問題。4結(jié)語本文主要針對(duì)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(cè)方法。在保證人群目標(biāo)檢測(cè)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(shí)驗(yàn)證明，本文采用的算法在降低時(shí)間復(fù)雜度和計(jì)算復(fù)雜度的同時(shí)，還具有良好的穩(wěn)定性。圖1a測(cè)試幀圖1b背景模型檢測(cè)結(jié)果圖1c形態(tài)學(xué)處理后（GMM）圖1d測(cè)試幀圖1e光流場(chǎng)平均圖1f流體動(dòng)力學(xué)檢測(cè)結(jié)果圖1背景模型與流體動(dòng)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(hào)：3502773