文摘

提高运动检测的影响,高斯建模算法修复漏洞,造成传统的帧差分法。该算法使用一种改进three-frame差分法。three-frame图像序列为一帧间隔选择成对差异计算。逻辑“或”操作是用于实现快速运动检测和减少空洞和骨折。高斯算法建立了一种自适应学习模型的尺寸和轮廓的运动检测更准确。运动改善three-frame差分法和高斯模型提取的是逻辑总结获得最终的运动前景图像。此外,一个移动的目标检测方法,提出了基于U-Net深入学习网络,减少依赖深度学习的训练数据集的数量。它有助于在小数据集算法训练模型。接下来,它计算的比值的正负样本数据集和使用比率的倒数作为样本重量处理正负样本的不平衡。最后,设置一个阈值来预测结果获取运动目标检测的准确性。 Experimental results show that the algorithm can suppress the generation and rupture of holes and reduce the noise. Also, it can quickly and accurately detect movement to meet the design requirements.

1。介绍

运动检测是指的过程或视频图像序列中提取和识别对象的空间位置变化前景运动(1]。由于场景的动态变化,是不容易的可靠和有效地检测和运动。在计算机视觉领域,它一直是一个共同的研究课题。操作,比如跟踪、处理、识别和歧视行为可以通过执行移动对象进行有效的分割。这些被广泛应用于生活生产,如视频监控、识别、运动和多媒体应用(2]。

目前,帧差分法(3),光流法(4),和背景减法的方法(5)是标准的运动检测方法,除了特征匹配方法,再方法,氛围算法(6]。两个相邻帧图像序列来进行基于像素的时间差分和二值化图像中提取运动区域的帧差分法。这种方法的优点是:它的简单原理和计算速度快。然而,噪声电阻差,孔和休息很容易生产7]。氛围算法存储每个像素的样本集。在样本收集、采样值是像素的像素值和其邻国的像素值。可以采取第一帧图像的完整的创建背景模型的样本集。样本集可以相比,每个新的像素值是否属于背景点。计算效率高,但很容易导致优惠和其他问题。在光流方法中,相邻帧之间的运动信息的对象是确定使用图像中像素的时域变化系列和相邻帧之间的相关性,基于前一帧和当前帧之间的关系。虽然可以检测到运动的整个地区,有大量的计算。与一个复杂的结构,它可以很容易受到外部因素的影响。

在这项研究中,我们提出一个优化的高斯模型和改进three-frame差分运动检测的方法。主要贡献如下。(1)我们提出一个优化的高斯模型和改进three-frame差分法解决上述算法的缺点,用于这个任务直到日期(2)我们比较优化的高斯模型与改进three-frame差分法。首先,传统three-frame提高差分法得到前景运动。然后,高斯模型进行了优化。根据高斯模型,获得的运动执行逻辑操作和形态学处理的两个运动得到最终的前景运动。该算法可以有效地克服洞和适应环境变化具有良好的鲁棒性。

本研究的其余部分组织如下。节2,我们将讨论改进three-frame差分法优化高斯建模部分紧随其后3。节4,改善U-Net模型进行了探讨。节5,实验结果和分析。最后,研究结论和未来的研究方向提供了部分6。

2。改善Three-Frame差分法

在传统three-frame差分法,前两个框架和最后两帧相邻三帧图像进行不同的操作。两帧差分图像然后接受”和“操作获得的结果(8]。由于视频序列的连续性,相邻帧之间的变化微乎其微,如果没有运动。如果有一个运动,连续帧之间会有明显的变化(9]。虽然运动可以通过这种方法,快速检测问题,如孔和双阴影可能会出现。

解决上述问题,传统的three-frame差分法是在这项研究中改善。不同的操作进行three-frame图像视频序列的间隔。“或”操作而不是”和“操作进行不同的图像。具体步骤如下:(1)Three-frame图像用一帧间隔收集和转换为灰度图像。然后,执行过滤处理去除噪声获得相应的three-frame图像,表示 , , 。(2)的k帧图像作为当前帧的操作执行的差异k+2和k−2帧,分别获得不同的绝对值D₁(x,y),D₂(x,y),如以下所示方程。 (3)上面的方程获得的区别是关键,和一个执行或操作如以下方程所示。 (4)最后,适当进行形态学处理结果

根据上述原则,编写代码实现的视频图像运动检测传统three-frame差异和改进three-frame区别。检测效果如图1。

在数据1(一)和1 (b)不同时期的图片相同的视频显示。左边的图像在每个图是原始视频图像。中间是运动检测到传统three-frame差分法。运动增强three-frame差分法所观察到的是在右边。检测结果表明,改善three-frame不同方法将在一定程度上帮助解决孔的问题。然而,运动变形在一定程度上,所以它需要改进或结合其他算法进行处理。

3所示。优化高斯建模

图像中每个像素的值或特征分布在特定的范围内围绕一个中心点在很短的时间内,这个分布规律。据统计法律,如果足够大的数据量,这将是正态分布,称为高斯分布。根据这个特性,如果像素的值是远离中心点像素属于前台;否则,它属于背景(10]。在运动检测,每个背景像素的高斯建模是通过混合K(3 - 5通常被误认为是高斯分布K)。清晰的运动可以通过高斯建模,提取和背景可以更新和适应性。改进three-frame差分法结合在一起,实现优势互补和缺点,提高动作的检测11]。

3.1。背景模型建立

图像的灰度直方图反映了一个特定的图像中灰度值的频率。假设图像中的运动区域大于背景区域。有一定的背景和运动之间的灰度差异的区域。在这种情况下,图像的灰度直方图呈现双热电形状。峰值对应的运动之一,另一个峰对应于背景的中心灰度。对于复杂的图像,它们通常multipeak。通过治疗的multipeak特征直方图作为多个高斯分布的叠加,可以解决图像分割问题[12]。

背景图像的每个像素由高斯混合模型由建模K高斯分布见以下方程。 在哪里k是总数的分布模式和代表的权重系数的估计值我^th高斯分布的高斯混合模型t, 是我^th高斯分布时t,是高斯分布的概率密度函数。x_t代表的价值我^th像素在时间t。 代表的均值向量和协方差矩阵我^th高斯分布的高斯混合模型t。

降序排列的模式的价值 。值越大,越有可能k^th分布的背景模型。然后,第一B被选为高斯分布的背景模型。见下面的方程,T代表的比例。

3.2。前景运动检测

背景模型建立之后,每个像素值x_t新输入图像帧相匹配B高斯分布的背景模型。如果像素值匹配任何高斯分布的背景像素点;否则,这是前台,从而完成运动检测。每一个新的像素值x_t与当前相比K模型。一般方程所示(6),平均偏差系数通常是2.5。

3.3。背景更新

上下文模型的运动检测过程中必须改变。上下文模型学习,使检测适应环境的变化,和一个是学习速率。假设一个帧的图像不匹配任何在检测过程中高斯分布。在这种情况下,模式最微不足道的重量所取代。模式的重量由方程(7),它的平均值和标准偏差保持不变。

假设,发现至少有一个高斯分布的背景模型匹配的像素。在这种情况下,使用以下更新高斯模型的参数方程。

高斯模型的运动检测效果如图2。左边是原始视频图像,右边是运动检测的图像。从图可以看出,高斯模型能更好地克服孔的问题。同时,运动的外观并不长,和大纲是显而易见的13]。

3.4。结合改进Three-Frame差分法

帧差方法操作简单,速度快。然而,由于其低噪声电阻,洞很容易出现。增强three-frame差异过程中,三个不相邻帧,使用或操作而不是原始的,它不仅可以消除差距等问题也引发细长的动作和模糊的轮廓。因此,高斯模型相结合建立一个学习背景模型的运动检测。高斯模型的运动检测到的轮廓方法相对简单,外观是不长。

检测过程中,首先,运动中提取的改进three-frame差分法和高斯建模。然后,逻辑和操作进行的运动图像获得的这两个算法。接下来,连通性检测和形态学操作过程,最后,完成运动。算法的流程图如图3。

4所示。改善U-Net模型

自顶向下基于深度学习的图像检测算法(14- - - - - -18)提取全球形象和高层语义信息通过自学习图像特征信息。相比之下,自底向上的图像检测算法基于低级视觉特征提取低级图像颜色和纹理。图像特性可以提取丰富图像地方和空间信息。因此,保险丝的语义信息和全球信息自顶向下与自底向上凸起图像检测算法检测算法的空间信息。当地的信息可以帮助高级网络获取当地的图像信息来定位凸目标和改善图像检测效果。

因此,这项研究增加了显著图的自底向上的运动检测算法提取的解码器阶段U-Net并实现卓越的图像的准确预测融合高级全球信息和低级本地信息。具体来说,该算法首先减少了自底向上凸起地图中提取的图像检测算法,生成一个相同大小的先验地图的功能映射U-Net网络译码器阶段,然后结合upsampling先验地图。执行功能融合的特征映射阶段。此外,添加频道关注模块在每层抽样后提取通道信息更重要。最后,凸起地图输出的每一层是upsampled构建加权损失函数,不断优化神经网络的学习过程(16,19- - - - - -22]。的具体结构模型如图4。

5。实验结果和分析

来验证算法的有效性在这项研究中,选用高速公路监控录像进行测试实验。实验平台的硬件环境是一个普通的电脑,I3处理器,主频2.1 GHz, 4 g内存。软件环境是Visual Studio 2019和OpenCV3计算机视觉的开源库。编程语言是c#。高斯建模,提高了three-frame差分法,结合高斯建模和改进three-frame差分法被送往测试。测试的效果关系图如图5。为改善U-Net模型,本文使用python语言,使用Keras深度学习框架。

在图5,原始视频序列在第一列。改善three-frame差分法的结果在第二列。第三列是高斯模型获得的结果。最后一列是通过结合这两种方法获得的运动。图5(一个)- - - - - -5 (c)是同一视频的检测影响图在不同时期。

在图6的准确性,我们比较我们的工作对传统的高斯模型和改进three-frame不同模型。我们比较这些方案不同的时间框架的准确性。这个数字表明,我们提出的工作有更好的精度比现有的方案。

图7显示平均时间复杂度的比较实验结果在不同的时间框架。我们的方案优于现有的模型,它有更好的结果的不同数量的帧数。

6。结论

基于高斯模型的运动检测算法和一种改进three-frame差分法提出了这项研究。相邻帧的图像是在传统three-frame差分法。不相邻帧图像的改进算法,和“或”操作执行。我们用高斯模型来适应环境变化。后两种算法测试、改进和组合,变形,孔,噪音,和其他运动问题造成的帧差分法可以有效地改善。它有助于提高运动检测的检测效率。增强抗干扰,可以满足运动检测的要求,有一定的实用性和价值。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。