结合HLBP模型与色彩位置信息的动目标检测方法

doi:10.3969/j.issn.1001-2400.2015.04.005

J4 ›› 2015, Vol. 42 ›› Issue (4): 27-32+158.doi: 10.3969/j.issn.1001-2400.2015.04.005

结合HLBP模型与色彩位置信息的动目标检测方法

何晓川;许录平;冯冬竹;余航

(西安电子科技大学空间科学与技术学院，陕西西安 710071)

收稿日期:2014-06-11 出版日期:2015-08-20 发布日期:2015-10-12
通讯作者: 何晓川
作者简介:何晓川(1980-)，男，西安电子科技大学博士研究生，E-mail：xchhe@xidian.edu.cn．
基金资助:
国家自然科学基金资助项目(61203202)；中央高校基本科研业务费专项资金资助项目(JB141304,JB151308)；中国博士后科学基金资助项目(2014M562376)；陕西省自然科学基础研究计划——青年人才资助项目(S2015YFJQ0573)

HLBP model method with color and location information about moving objects detection

HE Xiaochuan;XU Luping;FENG Dongzhu;YU Hang

(School of Aerospace Science ＆ Technology, Xidian Univ., Xi'an 710071, China)

Received:2014-06-11 Online:2015-08-20 Published:2015-10-12
Contact: HE Xiaochuan

摘要/Abstract

摘要：

为了克服抖动及目标阴影的影响，提高运动目标的检测精度，提出了一种简化的Haar-LBP(HLBP)模版，并以此为纹理模型，结合色彩和位置信息建立特征向量，在高斯混合模型下实现减背景的动目标检测算法．实验结果表明，该方法不仅能实时、准确地检测出运动目标，提高了阴影检出率，而且对相机引起的抖动具有较强的适应性．

关键词: 目标检测, 减背景算法, 高斯混合模型, 局部二元模式, 多特征

Abstract:

This paper proposes a background subtraction algorithm using the Gaussian mixture model to combine multiple features which include the Haar-LBP(HLBP) texture model, and color and location information. Experimental results validate the effectiveness of the proposed algorithm, which can not only detects an object timely and precisely, but also obtain a higher shadow detection rate and robustness to camera shake.

Key words: object detection, background subtraction algorithm, Gaussian mixture model, local binary pattern(LBP), multiple features

中图分类号:

TP37

何晓川;许录平;冯冬竹;余航 . 结合HLBP模型与色彩位置信息的动目标检测方法[J]. J4, 2015, 42(4): 27-32+158.

HE Xiaochuan;XU Luping;FENG Dongzhu;YU Hang. HLBP model method with color and location information about moving objects detection[J]. J4, 2015, 42(4): 27-32+158.

参考文献

［1］ Liu H H, Hou X H, Moving Detection Research of Background Frame Difference Based on Guassian Model ［C］//Proceedings of IEEE Computer Society Conference on Computer Science and Service System. Piscataway: IEEE, 2012: 258-261.
［2］ Mac A O, Humayun A, Pollefeys M, et al. Learning a Confidence Measure for Optical Flow ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(5): 1107-1120.
［3］ Lin X, Qi C. Future-data Driven Modeling of Complex Backgrounds Using Mixture of Gaussians ［J］. Neurocomputing, 2013, 119: 439-453.
［4］张超, 吴小培, 周建英, 等. 基于改进高斯混合建模和短时稳定度的运动目标检测算法［J］. 电子与信息学报, 2012, 84(10): 2402-2408.
Zhang Chao, Wu Xiaopei, Zhou Jianying, et al. A Moving Object Detection Algorithm Based on Improved GMM and Short-term Stability Measure ［J］. Journal of Electronics ＆ Information Technology, 2012, 84(10): 2402-2408.
［5］ Reddy V, Sanderson C, Lovell B C. Robust Foreground Object Segmentation via Adaptive Region-based Background Modeling ［C］//Proceedings of IEEE Computer Society Conference on Pattern Recognition. Piscataway: IEEE, 2010: 3939-3942.
［6］ Huang T C, Jing B Q, Takahiro S, et al. Robust Background Segmentation Using Background Models for Surveillance Application ［C］//Proceedings of IEEE Computer Society Conference on Machine Vision Applications. Piscataway: IEEE, 2009: 402-405.
［7］ Benedek C. Szirnyi T. Bayesian Foreground and Shadow Detection in Uncertain Frame Rate Surveillance Videos ［J］. IEEE Transactions on Image Processing, 2008, 17(4): 608-621.
［8］李远征, 卢朝阳, 李静. 一种基于多特征融合的视频目标跟踪方法［J］. 西安电子科技大学学报, 2012, 39(4): 1-6.
Li Yuanzheng, Lu Zhaoyang, Li Jing. Robust Video Object Tracking Algorithm Based on Multi-feature Fusion ［J］. Journal of Xidian Univercity, 2012, 39(4): 1-6.
［9］ Han B, Davis L S. Density-based Multi-feature Background Subtraction with Support Vector Machine ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 34(5): 1017-1023.
［10］周书仁, 殷建平. 基于Haar特性的LBP纹理特征［J］. 软件学报, 2013, 24(8): 1909-1926.
Zhou Shuren, Yin Jianping. LBP Texture Feature Based on Haar Characteristics ［J］. Journal of Software, 2013, 24(8): 1909-1926.
［11］刘晓佩, 卢朝阳, 李静. 结合WTLBP特征和SVM的复杂场景文本定位方法［J］. 西安电子科技大学学报, 2012, 39(4): 103-108.
Liu Xiaopei, Lu Zhaoyang, Li Jing. Complex Scene Text Location Method Based on WTLBP and SVM ［J］. Journal of Xidian Univercity, 2012, 39(4): 103-108.
［12］ Ojala T, Pietikinen M, Menp T. Multiresolution Gray-scale and Rotation Invariant Texture Classification with Local Binary Patterns ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(7): 971-987.
［13］ Sheikh Y, Shah M. Bayesian Modeling of Dynamic Scenes for Object Detection ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(11): 1778-1792.

[1]	韩永赛,马时平,何林远,李承昊,朱明明,张飞. 改进YOLOv3的快速遥感机场区域目标检测[J]. 西安电子科技大学学报, 2021, 48(5): 156-166.
[2]	董如婵,焦李成,赵进,沈维燕. 一种深度融合机制的遥感图像目标检测技术[J]. 西安电子科技大学学报, 2021, 48(5): 128-138.
[3]	毛昭勇,王亦晨,王鑫,沈钧戈. 面向高速公路的车辆视频监控分析系统[J]. 西安电子科技大学学报, 2021, 48(5): 178-189.
[4]	张佳琦,陶海红,张修社,韩春雷. 一种利用量测空间聚类的多帧检测前跟踪算法[J]. 西安电子科技大学学报, 2021, 48(5): 231-238.
[5]	王平,江雨泽,赵光辉. 目标检测的多尺度定位提升算法[J]. 西安电子科技大学学报, 2021, 48(3): 85-90.
[6]	梁壮,温利武,丁金闪. 改进型SVD-FRFT海杂波抑制方法[J]. 西安电子科技大学学报, 2021, 48(2): 55-63.
[7]	汪昱东,郭继昌,王天保. 一种改进的雾天图像行人和车辆检测算法[J]. 西安电子科技大学学报, 2020, 47(4): 70-77.
[8]	张彦飞,孙文杰,孙玉梅,孟祥伟,陈祥光. 非高斯杂波中机载多进多出雷达动目标检测[J]. 西安电子科技大学学报, 2020, 47(3): 23-31.
[9]	余志超,张瑞红. 结合深度轮廓特征的改进孪生网络跟踪算法[J]. 西安电子科技大学学报, 2020, 47(3): 40-49.
[10]	左磊,产秀秀,禄晓飞,李明. 时频域分解海面回波及慢速微弱目标检测[J]. 西安电子科技大学学报, 2019, 46(5): 84-90.
[11]	宋建锋,苗启广,申猛,权义宁,陈毓生. 多特征融合的相关滤波红外单目标跟踪算法[J]. 西安电子科技大学学报, 2019, 46(5): 142-147.
[12]	吴勇,郑伟,牛文龙,杨震. 背景变化鲁棒的微弱瞬态信号检测[J]. 西安电子科技大学学报, 2019, 46(4): 159-166.
[13]	王海军,张圣燕. 自适应权值卷积特征的鲁棒目标跟踪算法[J]. 西安电子科技大学学报, 2019, 46(1): 117-123.
[14]	梁毅, 李晴晴, 孙昆, 党彦锋, 丁金闪. 利用SAR图像匹配的弹体定位新方法[J]. 西安电子科技大学学报, 2018, 45(6): 1-6.
[15]	李雪, 艾丽蓉, 周晓京, 张凯. 幼儿视力检查的自动评测方法[J]. 西安电子科技大学学报, 2018, 45(6): 150-155.

结合HLBP模型与色彩位置信息的动目标检测方法

HLBP model method with color and location information about moving objects detection

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10