导读:本文包含了高斯背景建模算法论文开题报告文献综述及选题提纲参考文献，主要关键词:背景建模,混合高斯学习,视频检测,帧差法
高斯背景建模算法论文文献综述
邓利平,李明东,邹海洋[1]（2016）在《一种改进的混合高斯学习自适应背景建模算法》一文中研究指出针对混合高斯学习模型计算复杂度高,实时响应系统应用困难等问题,提出了一种改进的背景建模算法,首先利用帧差法进行预处理,选择出帧间变化区域,然后对变化区应用混合高斯学习模型进行采样计算,完成视频背景建模。由于混合高斯学习模型融合了增量最大期望分类学习方法,自动选择学习率参数具有更好的收敛速度和背景估计精度;同时通过帧差法预处理降低了算法的计算量。实验表明,该算法在保证收敛稳定性和背景建模精度的情况下,提高了背景分割的响应速度。(本文来源于《西华师范大学学报(自然科学版)》期刊2016年03期）
冯璞,李玉恵,李勃,游旭晨[2]（2016）在《基于纹理特征的混合高斯背景建模算法研究》一文中研究指出在智能交通系统中,运动目标的检测是一个基本而又关键的问题。而传统高斯混合模型能较好地检测出运动目标,但由于其没有考虑像素的局部特征,使得运动目标区域的错误检测率有所增加。为了更好地在高速交通视频中检测出完整且准确的运动目标前景区域,文中在子空间的思想基础上,提出一种基于像素局部纹理特征的高斯混合模型改进算法,即以像素周围5*5图像块的均值、标准差、最大值、最小值和当前像素值5个特征作为局部纹理特征,建立高斯混合背景模型,进行运动目标检测。经过大量实验,结果表明该算法能更准确、完整地检测出运动目标并具有很好的环境适应性,特别是在运动目标区域与相应的背景区域颜色较为相似时,运动目标检测效果改善较为明显。(本文来源于《计算机技术与发展》期刊2016年05期）
肖进胜,刘婷婷,张亚琪,彭红,鄢煜尘[3]（2015）在《一种基于历史背景的混合高斯背景建模算法》一文中研究指出针对背景场景重复显现问题,提出了一种基于历史背景的混合高斯模型(History Background-based GMM,HBGMM).相较于传统的混合高斯模型,该模型对历史背景模型进行标记,并通过判决匹配次数快速调整历史背景模型的学习率.同时对模型权重低于阈值下限历史模型和非历史模型进行区别处理,用该方法更新模型权重从而降低误检率,使历史模型尽量避免误删除.实验结果表明,本文提出的基于历史背景的混合高斯背景模型能够实现记忆背景的功能,从而更快地适应场景的变化,减少前景误判.(本文来源于《湖南大学学报(自然科学版)》期刊2015年10期）
罗超宇,李小曼,韩骏浩,吴欣平[4]（2015）在《改进的混合高斯背景建模算法》一文中研究指出针对传统的混合高斯背景建模算法实时性差及对光照等引起的环境突变适应性差的问题,提出一种改进算法。通过定义模型生存时间、连续匹配次数等参数定量约束模型的生存时间,改进传统算法中固定模型数量的限制,提高背景建模速度;通过定义突变因子、突变持续时间,检测光照突变。仿真实验表明,改进算法实现了模型数量的自适应增减,提高了建模效率,对由传统建模算法实时性差造成的误检及光照突变引起的误检能较好的解决,具有较强的鲁棒性。(本文来源于《计算机应用与软件》期刊2015年10期）
符笛,尹东,孙涛[5]（2015）在《一种基于分裂高斯混合模型的背景建模算法》一文中研究指出针对运动检测算法中目标空洞和环境噪声难以消除等问题,提出一种背景建模算法。将待处理图像通过叁层高斯模糊滤镜,分层抽取图像信息,通过分层建立分裂高斯混合模型,进行建模并计算运动区域。将上层提取的低频信息以及建模后提取的粗块化运动目标,加入到下层的背景判定计算流程中,根据综合判定结果纠正下层错误的模型参数。在公共数据库中的实验结果表明,该算法在高效地去除了环境噪声的情况下,可保证所提取运动目标的准确性,并且对光照突变不敏感,有较好的检测率和较低的误检率。(本文来源于《计算机工程》期刊2015年04期）
韩明,刘教民,孟军英,王震洲[6]（2014）在《一种自适应调整K-r的混合高斯背景建模和目标检测算法》一文中研究指出针对非平稳背景下的复杂场景,该文提出一种自适应调整K-r的混合高斯背景建模和目标检测算法。该方法利用混合高斯模型(GMM)学习每个像素在时间域上的分布,构建自适应调整高斯分量K的方法,并针对不同情况,对描述像素的高斯分量数进行增加、删除或合并;在此基础上,模型参数更新式中引入了两个新的参数,能够根据实际情况自适应调整r值,使得背景建模和目标检测能够准确实时地随像素变化而变化,从而减少了运动目标信息的损失,提高了算法的鲁棒性和收敛性。实验表明,该算法在有诸多不确定因素的序列视频中能够迅速响应实际场景的变化,实现自适应背景建模和准确的目标检测。(本文来源于《电子与信息学报》期刊2014年08期）
阿斯雅,智敏[7]（2014）在《一种结合区域直方图比较的单高斯背景建模算法的改进》一文中研究指出背景差减法是目前常见的目标检测算法之一,使用传统的单高斯模型进行背景建模具有实时性,稳定性等优点,但当镜头发生突变时,传统的单高斯模型需要一定时间重新适应变化的背景。另一方面,移动缓慢的运动物体容易在前景检测中造成拖影现象。针对传统单高斯模型的缺点,提出一种结合区域直方图比较的单高斯模型运动目标检测算法。算法首先将视频分成若干区域,然后通过计算前后两帧相同区域的直方图距离,判断需要进行更新的背景区域,最后通过单高斯模型进行选择性更新。实验表明改进算法能够降低一定的误检率,有效抑制拖影现象的产生,并缩短单高斯模型对镜头突变的适应时间。(本文来源于《计算机光盘软件与应用》期刊2014年14期）
丁洋,王晓曼,景文博,刘树昌,都颖[8]（2013）在《空中背景混合高斯快速建模算法》一文中研究指出由于空中目标存在信噪比小,对比度低的特点,传统混合高斯背景建模较难地把目标从背景中分离出来,且受光照影响较大。针对此问题,提出一种改进算法,对模型建立、初始化和更新,生成新高斯分量,以及删除无效高斯分量等方面进行优化,减少中间的冗余环节;同时通过改变标准差阈值减小光线突变的影响。最终算法单帧运算所需要的平均时间接近单高斯模型算法的1.3倍,达到混合高斯模型算法的0.5倍以下。算法有效提高了地对空、空对空目标的实时跟踪的速度与稳定性。(本文来源于《长春理工大学学报(自然科学版)》期刊2013年05期）
赵子博[9]（2013）在《基于混合高斯改进算法的视频背景建模研究》一文中研究指出随着计算机视觉技术的不断发展,视频处理的理论和算法也在不断进步。前景物体提取是视频分析的基础性工作,也是国内外学者研究的热点问题。本文对复杂场景下的背景建模与前景物体检测进行了较为深入的研究,并着重研究了应用广泛的混合高斯背景建模算法,提出了一种改进的背景更新算法。同时利用Intel公司开发的OpenCV提供的函数库进行测试。混合高斯模型是背景建模过程中比较常用的一种背景模型,该模型对图像中的每个像素采用固定数量的高斯分布,在实际应用中并非最优模型。本文提出一种改进的混合高斯建模的方法,根据各点像素值自身的情况采取不同个数的高斯分布对其进行描述,从而简化了计算的复杂度。在判定前景与背景时给定一个时间阈值,在这段时间内始终符合高斯分布的像素点才归为背景区域,此方法能有效克服场景中噪声的影响。实验结果表明,改进算法在有扰动及光照变化的场景中能够进行很好的背景建模。OpenCV是一个由Intel开发的开源计算机视觉库,包含众多图像处理方面的函数,本文详细介绍了OpenCV如何读取、处理和存储视频序列,并且利用OpenCV的视频处理的数据结构、函数以及基本框架,实现了两种前景物体检测的算法,并且通过实验进行了比较实际效果。背景减除是计算机视觉应用中一个基础的处理任务。在大量基于像素处理图像的算法中,每个像素都是独立的,这类算法的局限在于抛弃了图像中存在的大量关联信息。本文研究一种基于像素块的算法：可以在有噪声干扰,光照变化及动态背景的场景中获取前景物体,同时可以保证轮廓的平滑。该方法先将图像序列分解成重迭的像素块,然后从每一个像素块获得一个低维结构的描述符,最后使用自适应的级联分类器,对像素块进行分类。通过利用像素块重迭的特点,将基于块的分类合并为基于像素的分类,最终完成前景分割,生成前景掩模。与基于像素的方法不同,这里生成的前景掩模不需要进行后处理。实验表明：与先前的算法相比,该算法的处理质量与运算速度更好。(本文来源于《南京邮电大学》期刊2013-06-01）
郭红星,钟俊杰,余胜生,张爱华[10]（2012）在《自适应混合高斯背景建模算法的GPU并行优化》一文中研究指出通过利用GPU平台上的CUDA编译环境,从线程级并行和异步流处理并行两个方面对自适应混合高斯背景建模算法进行并行优化。线程级并行化主要是利用CUDA的内核函数(kernel),将原算法里的每一个像素的背景更新过程映射到GPU的一个流处理单元上进行处理,通过多线程的并行执行来加速计算速度。异步流处理优化利用CUDA编程模型中的流概念,使每个流之间的数据传输和计算重迭进行,隐藏数据传输所带来的时延,从而加速计算过程。实验结果表明,通过线程级并行化和异步流处理优化后,确实可以大幅度地加速混合高斯背景建模算法的执行过程。(本文来源于《第八届和谐人机环境联合学术会议（HHME2012)论文集NCMT》期刊2012-11-23）
高斯背景建模算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在智能交通系统中,运动目标的检测是一个基本而又关键的问题。而传统高斯混合模型能较好地检测出运动目标,但由于其没有考虑像素的局部特征,使得运动目标区域的错误检测率有所增加。为了更好地在高速交通视频中检测出完整且准确的运动目标前景区域,文中在子空间的思想基础上,提出一种基于像素局部纹理特征的高斯混合模型改进算法,即以像素周围5*5图像块的均值、标准差、最大值、最小值和当前像素值5个特征作为局部纹理特征,建立高斯混合背景模型,进行运动目标检测。经过大量实验,结果表明该算法能更准确、完整地检测出运动目标并具有很好的环境适应性,特别是在运动目标区域与相应的背景区域颜色较为相似时,运动目标检测效果改善较为明显。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
高斯背景建模算法论文参考文献
[1].邓利平,李明东,邹海洋.一种改进的混合高斯学习自适应背景建模算法[J].西华师范大学学报(自然科学版).2016
[2].冯璞,李玉恵,李勃,游旭晨.基于纹理特征的混合高斯背景建模算法研究[J].计算机技术与发展.2016
[3].肖进胜,刘婷婷,张亚琪,彭红,鄢煜尘.一种基于历史背景的混合高斯背景建模算法[J].湖南大学学报(自然科学版).2015
[4].罗超宇,李小曼,韩骏浩,吴欣平.改进的混合高斯背景建模算法[J].计算机应用与软件.2015
[5].符笛,尹东,孙涛.一种基于分裂高斯混合模型的背景建模算法[J].计算机工程.2015
[6].韩明,刘教民,孟军英,王震洲.一种自适应调整K-r的混合高斯背景建模和目标检测算法[J].电子与信息学报.2014
[7].阿斯雅,智敏.一种结合区域直方图比较的单高斯背景建模算法的改进[J].计算机光盘软件与应用.2014
[8].丁洋,王晓曼,景文博,刘树昌,都颖.空中背景混合高斯快速建模算法[J].长春理工大学学报(自然科学版).2013
[9].赵子博.基于混合高斯改进算法的视频背景建模研究[D].南京邮电大学.2013
[10].郭红星,钟俊杰,余胜生,张爱华.自适应混合高斯背景建模算法的GPU并行优化[C].第八届和谐人机环境联合学术会议（HHME2012)论文集NCMT.2012