动态背景下自适应LOBSTER算法的前景检测
目的 前景检测是视频监控领域的研究重点之一.LOBSTER(local binary similarity segmenter)算法把ViBe(visual background extractor)算法和LBSP(local binary similarity patterns)特征结合起来,在一般场景下取的了优良的检测性能,但是LOBSTER算法在动态背景下适应性差、检测噪声多.针对上述问题,提出一种改进的LOB-STER算法.方法 在模型初始化阶段,计算各像素的LBSP特征值,并分别把像素的灰度值和LBSP特征值添加到各像素的颜色背景模型与LBSP背景模型中,增强了背景模型的描述能力;在像素分类阶段,根据背景复杂度自适应调整每个像素在颜色背景模型和LBSP背景模型中的分类阈值,降低了前景中的噪声;在模型更新阶段,根据背景复杂度自适应调整每个像素背景模型的更新策略,提高背景模型对动态背景的适应能力.结果 本文算法与ViBe算法和LOBSTER算法进行了对比实验,本文算法的前景图像比ViBe算法和LOBSTER算法的噪声点大幅较低,本文算法的PCC指标在不同视频库中比ViBe算法提高0.736％～7.56％,比LOBSTER算法提高0.77％～12.47％,FPR指标不到ViBe算法和LOBSTER算法的1％.结论 实验仿真结果表明,在动态背景的场景下,本文算法比ViBe算法和LOBSTER算法检测到的噪声少,具有较高的准确率和鲁棒性.
ViBe算法、LBSP特征、LOBSTER算法、前景检测、目标跟踪
22
TP391(计算技术、计算机技术)
2017-03-17（万方平台首次上网日期，不代表论文的发表时间）
共9页
161-169
