在中国安防产业中视频监控作为最重要的信息获取手段之一，能对目标有效的提取是重要而基础的问题，因此本文在此背景下，围绕对监控视频的前景目标有效的提取问题，研究了关于1）静态背景、动态背景的前景目标提取，能在背景复杂化的条件下，将运动的目标；2）带抖动视频；3）静态背景下多摄像头对多目标提取；4）出现异常事件视频的判断等问题。给出了在不同情况下的前景目标提取方案。问题一是针对静态背景且摄像头稳定的情况下，如何对前景目标提取的问题。在题目要求的基础上，通过对附件2中几组视频的分析，我们发现所有前景目标的运动短暂且光线明暗变化不明显。由于传统的Vibe算法能抑制鬼影但是运行效果不理想，因此采用建立在帧差法上改进的Vibe算法模型求解问题。并和传统的Vibe算法做对比，结果显示改进的Vibe算法明显优于传统的算法。而且对我们的算法模型做了效果评价。详细数据参考正文与附录。 问题二是在背景为动态（如有水波的产生）的情况下，对前景目标的提取问题。在此问题中，由于动态背景存在使得提取出的图像帧具有大量的干扰噪声，对前景目标的识别和提取造成干扰，因此我们提出一种基于全局外观一致型的运动目标检测法。在用Vibe算法对场景预检测的基础上，建立混合高斯模型分别对前景和背景进行

在含有动态干扰因素的复杂背景下提取前景目标时,现有的视觉背景前景目标提取算法容易出现鬼影、误检等问题,因此提出了一种改进的基于视觉背景的前景目标提取算法。首先,根据像素点的时间序列以及位置特征,计算像素点的匹配概率、匹配程度以及亮度信息。其次,实时更新与当前复杂背景吻合的背景模型,同时对背景模型进行初始化。最后,对CDnet 2014数据集中各类复杂背景下的视频进行测试,并与经典的高斯混合模型、视觉背景提取(ViBe)算法、改进的ViBe算法进行对比。实验结果表明,本算法在各类复杂背景下能高效去除鬼影的影响,且提取结果精度较高,极大降低了提取结果的错分率和漏检率,提高了复杂背景下算法的高效性与鲁棒性。

研究生数学建模比赛优秀论文 基于监控视频的前景目标提取

MATLAB基于视频的前景提取最终 Vibe算法建模与求解 像素分割去噪 混合高斯模型

基于Vibe算法的运动物体检测（Visual Studio完整工程及仿真视频） Matlab前景目标提取（四个场景）1）静态背景、动态背景的前景目标提取，能在背景复杂化的条件下，将运动的目标；2）带抖动视频；3）静态背景下多摄像头对多目标提取；4）出现异常事件视频的判断等问题。给出了在不同情况下的前景目标提取方案。

有程序和资料。17年华为杯数学建模D题，针对问题一，在静止背景条件下，提取运动前景目标轮廓，首先处理视频，生成单帧数据，针对不含纯背景帧的视频采用帧间差分法，对含背景帧的视频数据采用背景差分法。两种方法都可以准确提取静止背景下的前景目标轮毂，最后进行形态学的补充处理，达到预期的效果。 针对问题二，分析动态背景每一帧之间都大面积的不同，因此使用帧差法的结果会出现大量的噪点。采取混合高斯模型(GMM)对动态的背景进行建模，采用一定帧数的图像来训练模型，从而实现实时更新的背景模型，过滤掉背景变化对目标提取的影响，可以准确提取前景目标。 针对问题三，考虑摄像头抖动造成图像的变化，因此考虑首先去抖动，对摄像头运动类型进行建模，然后通过图像的像素点进行参考帧匹配，估计出全局运动模型，再通过模型进行反向运动补偿，实现稳定图像的目的，最后通过已有中的模型进行前景目标提取，可以达到相对较好的效果。 针对问题四，为记录目标较运动较显著的帧数，运用已有模型能够对快进视频进行的目标检测，对每一帧的灰度值求和进行建模，观察其分布，记录大于阈值的帧数，能较好的实现预期结果。

在中国安防产业中视频监控作为最重要的信息获取手段之一，能对目标有效的提取是重要而基础的问题，因此本文在此背景下，围绕对监控视频的前景目标有效的提取问题，研究了关于1）静态背景、动态背景的前景目标提取，能在背景复杂化的条件下，将运动的目标；2）带抖动视频；3）静态背景下多摄像头对多目标提取；4）出现异常事件视频的判断等问题。给出了在不同情况下的前景目标提取方案。问题一是针对静态背景且摄像头稳定的情况下，如何对前景目标提取的问题。在题目要求的基础上，通过对附件2中几组视频的分析，我们发现所有前景目标的运动短暂且光线明暗变化不明显。由于传统的Vibe算法能抑制鬼影但是运行效果不理想，因此采用建立在帧差法上改进的Vibe算法模型求解问题。并和传统的Vibe算法做对比，结果显示改进的Vibe算法明显优于传统的算法。而且对我们的算法模型做了效果评价。详细数据参考正文与附录。 问题二是在背景为动态（如有水波的产生）的情况下，对前景目标的提取问题。在此问题中，由于动态背景存在使得提取出的图像帧具有大量的干扰噪声，对前景目标的识别和提取造成干扰，因此我们提出一种基于全局外观一致型的运动目标检测法。在用Vibe算法对场景预检测的基础上，建立混合高斯模型分别对前景和背景进行全局外观建模，将运动目标检测出来，再引入超像素去噪，进一步优化结果。详细结果参考正文与附录。 问题三是在问题一、二基础上的进一步深化。问题一及问题二是建立在摄像机自身稳定的基础上，而问题三则是在摄像机抖动的情况下。由于摄像机抖动一般具有旋转和平移，因此我们建立了坐标变换模型，以仿射变换作为模型基础，结合改进的高精度鲁棒的RANSAC算法提取前景目标，并对比灰度投影法，比较两种模型效果。具体效果见正文与附录。 问题四是对前三个问题的综合应用。运用基于混合高斯模型背景建模Vibe算法，对前景目标进行提取；选出具有显著前景目标的参考帧，计算参考帧中显著前景目标所占的面积，并将此面积设定为阈值T，遍历所有的视频帧，计算其前景目标所占的面积，通过相减对比，判定显著前景目标。若判定为显著前景目标则输出其所在视频帧中的帧号，并将显著前景出现的总帧数增加1。 问题五是针对多摄像头多目标的协同跟踪问题。在问题二的混合高斯模型基础上我们建立了动态背景提取法，对不断变化的背景进行实时更新。再利用单应性约束法对多目标发生重叠现象进行投影将重叠目标区分开来，对目标进行定位。由于目标的不断运动，我们采用粒子滤波法对前景目标进行实时跟踪，通过多摄像头的协同通信完成对多前景目标的检测。 问题六是针对监控视频中前景目标出现异常情况时判断是否有异常事件的问题。在基于稀疏表示的模型上，引入混合高斯模型用于学习不同类型的运动特征规律，然后通过各个单高斯模型中的均值建立一个相似矩阵作为字典。以测试阶段生成的核矢量为基础，用该局部特征的核矢量计算基于稀疏表示的重构误差，并将其与已设定的阈值进行比较，如果重构误差大于阈值，则判为异常。

在中国安防产业中视频监控作为最重要的信息获取手段之一，能对目标有效的提取是重要而基础的问题，因此本文在此背景下，围绕对监控视频的前景目标有效的提取问题，研究了关于1）静态背景、动态背景的前景目标提取，能在背景复杂化的条件下，将运动的目标；2）带抖动视频；3）静态背景下多摄像头对多目标提取；4）出现异常事件视频的判断等问题。给出了在不同情况下的前景目标提取方案。 问题一是针对静态背景且摄像头稳定的情况下，如何对前景目标提取的问题。在题目要求的基础上，通过对附件2中几组视频的分析，我们发现所有前景目标的运动短暂且光线明暗变化不明显。由于传统的Vibe算法能抑制鬼影但是运行效果不理想，因此采用建立在帧差法上改进的Vibe算法模型求解问题。并和传统的Vibe算法做对比，结果显示改进的Vibe算法明显优于传统的算法。而且对我们的算法模型做了效果评价。详细数据参考正文与附录。 问题二是在背景为动态（如有水波的产生）的情况下，对前景目标的提取问题。在此问题中，由于动态背景存在使得提取出的图像帧具有大量的干扰噪声，对前景目标的识别和提取造成干扰，因此我们提出一种基于全局外观一致型的运动目标检测法。在用Vibe算法对场景预检测的基础上，建立混合高斯模型分别对前景和背景进行全局外观建模，将运动目标检测出来，再引入超像素去噪，进一步优化结果。详细结果参考正文与附录。 问题三是在问题一、二基础上的进一步深化。问题一及问题二是建立在摄像机自身稳定的基础上，而问题三则是在摄像机抖动的情况下。由于摄像机抖动一般具有旋转和平移，因此我们建立了坐标变换模型，以仿射变换作为模型基础，结合改进的高精度鲁棒的RANSAC算法提取前景目标，并对比灰度投影法，比较两种模型效果。具体效果见正文与附录。 问题四是对前三个问题的综合应用。运用基于混合高斯模型背景建模Vibe算法，对前景目标进行提取；选出具有显著前景目标的参考帧，计算参考帧中显著前景目标所占的面积，并将此面积设定为阈值T，遍历所有的视频帧，计算其前景目标所占的面积，通过相减对比，判定显著前景目标。若判定为显著前景目标则输出其所在视频帧中的帧号，并将显著前景出现的总帧数增加1。 问题五是针对多摄像头多目标的协同跟踪问题。在问题二的混合高斯模型基础上我们建立了动态背景提取法，对不断变化的背景进行实时更新。再利用单应性约束法对多目标发生重叠现象进行投影将重叠目标区分开来，对目标进行定位。由于目标的不断运动，我们采用粒子滤波法对前景目标进行实时跟踪，通过多摄像头的协同通信完成对多前景目标的检测。 问题六是针对监控视频中前景目标出现异常情况时判断是否有异常事件的问题。在基于稀疏表示的模型上，引入混合高斯模型用于学习不同类型的运动特征规律，然后通过各个单高斯模型中的均值建立一个相似矩阵作为字典。以测试阶段生成的核矢量为基础，用该局部特征的核矢量计算基于稀疏表示的重构误差，并将其与已设定的阈值进行比较，如果重构误差大于阈值，则判为异常。

“华为杯”第十四届中国研究生 数学建模竞赛-D题-基于监控视频的前景目标提取（荣获三等奖）