一种改进的基于流体力学的群体目标检测方法

发布时间：2021-11-18 10:57

　　传统的背景模型,在背景复杂、群体性目标之间存在遮挡的情况下,不能有效地提取群体目标。笔者提出一种改进的基于流体力学的群体目标检测方法,利用流体动力学,将图像中的像素点看成粒子,在光流场中计算每个粒子的运动轨迹,进而获取粒子流图;接着在流图中计算李雅普洛夫指数,得出运动边界;最后,利用图像分割以及形态学的开闭运算获得群体目标。实验结果表明,该算法能在群体目标之间存在遮挡的场景中高效、准确地提取前景目标。 

【文章来源】：信息与电脑(理论版). 2019,31(19)

【文章页数】：2 页

【部分图文】：

背景模型与流体动力学方法比较

（2）采用线性插值替代原来算法中的立体插值，读取5个在步骤（1）中求得的平均光流场，用以计算流图；（3）利用计算空间梯度，然后通过得到Cauchy-Green应变张量；（4）利用计算出李雅普洛夫指数。然后采用图像分割以及形态学的开闭运算最终获得人群目标。3实验结果及分析为了将本文算法与Stauffer等提出的算法作比较，突显本文算法的独特性,本文在同一台计算机上，针对同一段复杂场景中的人群视频，分别采用以上两种方法对其进行群体目标检测。实验结果如图1所示。图1a和图1d是视频序列中的同一帧，用于测试算法；图1b是混合背景模型人群检测实验结果，图1c是经过形态处理后的实验结果。实验结果表明，在人群目标之间存在遮挡的复杂环境中，本文所采用的基于改进的流体动力学人群检测方法，与传统的高斯混合模型相比，能够有效地解决背景模型人群目标之间存在遮挡时，出现的漏检和误检问题。4结语本文主要针对在人群目标之间存在遮挡的复杂环境中，传统的背景模型容易出现误检和漏检的局限，提出了一种改进的基于流体力学的群体目标检测方法。在保证人群目标检测准确率的前提下，本文采用线性插值替代了原始算法中的空间插值，降低了算法复杂度。实验证明，本文采用的算法在降低时间复杂度和计算复杂度的同时，还具有良好的稳定性。图1a测试帧图1b背景模型检测结果图1c形态学处理后（GMM）图1d测试帧图1e光流场平均图1f流体动力学检测结果图1背景模型与流体动力学方法比较参考文献[1]MAril,JRichard.DetectingDominantMotionsinDenseCrowd[J].SignalProcessing,2008,2(4):568-581.[2]ACDavies,JHYin,SAVela

（2）采用线性插值替代原来算法中的立体插值，读取5个在步骤（1）中求得的平均光流场，用以计算流图；（3）利用计算空间梯度，然后通过得到Cauchy-Green应变张量；（4）利用计算出李雅普洛夫指数。然后采用图像分割以及形态学的开闭运算最终获得人群目标。3实验结果及分析为了将本文算法与Stauffer等提出的算法作比较，突显本文算法的独特性,本文在同一台计算机上，针对同一段复杂场景中的人群视频，分别采用以上两种方法对其进行群体目标检测。实验结果如图1所示。图1a和图1d是视频序列中的同一帧，用于测试算法；图1b是混合背景模型人群检测实验结果，图1c是经过形态处理后的实验结果。实验结果表明，在人群目标之间存在遮挡的复杂环境中，本文所采用的基于改进的流体动力学人群检测方法，与传统的高斯混合模型相比，能够有效地解决背景模型人群目标之间存在遮挡时，出现的漏检和误检问题。4结语本文主要针对在人群目标之间存在遮挡的复杂环境中，传统的背景模型容易出现误检和漏检的局限，提出了一种改进的基于流体力学的群体目标检测方法。在保证人群目标检测准确率的前提下，本文采用线性插值替代了原始算法中的空间插值，降低了算法复杂度。实验证明，本文采用的算法在降低时间复杂度和计算复杂度的同时，还具有良好的稳定性。图1a测试帧图1b背景模型检测结果图1c形态学处理后（GMM）图1d测试帧图1e光流场平均图1f流体动力学检测结果图1背景模型与流体动力学方法比较参考文献[1]MAril,JRichard.DetectingDominantMotionsinDenseCrowd[J].SignalProcessing,2008,2(4):568-581.[2]ACDavies,JHYin,SAVela


本文编号：3502773