采用opencv3.1开发的基于混合高斯模型的运动目标提取

高斯模型下的视频运动目标提取算法研究.doc

将基于凸优化的低秩矩阵恢复（LRMR）理论用于背景建模，当背景不稳定时，这种方法提取运动目标的效果不佳。由于矩阵的数据表示形式破坏了视频在时间和空间上的原始结构，采用张量表征视频的高维结构特性，提出了一种基于迭代张量高阶奇异值分解（HOSVD）的运动目标提取方法。用高阶奇异值分解代替LRMR中的矩阵奇异值分解（SVD），利用增广拉格朗日乘子法重建出三维视频张量的背景部分和运动目标部分，并进一步对运动目标部分进行形态学开闭运算。实验结果证明，相比常用方法，该方法错分率更低，能更准确完整地提取运动目标。

为了准确地划分运动目标和背景区域,提出一种自适应阈值的运动目标提取算法,对现有基于背景差的提取算法进行改进。本算法将运动目标和背景作为两个聚类,对图像中的点按像素灰度进行分类,以聚类间的方根—算术均值距离最大作为分割阈值选择的准则,使得运动目标提取算法中二值化阈值能够自动更新,从而实现对运动目标的准确完整提取。实验结果表明,该算法能够较准确快速地提取运动目标,并对环境亮度突变、背景存在微小运动等情况具有较好的鲁棒性。

matlab运动目标提取代码 语音哼唱识别及评分系统 1. 功能 识别：对用户输入的一段语音识别得到其频率，经处理后在界面输出旋律，并可以用钢琴来弹奏此旋律 评分：预先设置旋律和节拍，提取处理用户输入的语音文件与设置的旋律及节拍进行对比，根据评分规则输出实际得分 2. 运行环境 Matlab R2017a、 Windows 10 Professional 1803 3. 使用步骤 3.1 哼唱识别系统 打开Matlab软件，切换工作目录到HumDetection文件夹下 双击打开文件HumDetection.m，在菜单栏中选择编辑器，点击运行按钮即可正常运行代码（第一次运行时间可能较长，请耐心等待） 界面加载完毕后，点击选择文件按钮，在弹出的窗口中选择standard1-7.wav文件，软件会将自动提取到的旋律显示在识别结果编辑框里并绘制该语音的时域波形和基频曲线（运行时间可能较长，请耐心等待） 点击时域波形图后面的扬声器标志按钮，你将会听到该语音（请等待图形的红色指示条移动到最右端再进行其他操作，以下所有播放声音时均要满足此条件） 点击钢琴演奏按钮，等待系统生成对应的旋律以及基频提取

LK光流法，是目前来讲监测运动目标中比较高效的算法。这是我试验中的一个代码，分享出来大家学习，用的是matlab语言

VS2010+opencv2.4.9 Vibe单独一个类，便于直接用，附带使用的一个小demo。程序简单易懂，效果好速度快，亲测好用。

基于视频的运动目标提取算法研究

视频中静止背景下的运动目标提取算法，首先介绍了帧差法和背景差分法这两类经典算法的基本思想和算法流程。其中先详细介绍了基于帧差法思想的两种算法：帧间差分法和三帧差分法，通过实验结果发现这两种方法都不能完整地提取出目标。然后详细介绍了基于背景差分法的三种算法：滑动平均法、高斯混合模型和核密度估计，通过实验结果发现滑动平均法会产生一些错误识别的区域，高斯混合模型会出现较多的漏检情况而核密度估计会错误地识别目标附近的区域。提出了一种基于直方图灰度值归类的背景差分法，利用直方图灰度值归类构造背景，使用迭代法自适应地选取阈值，采用联合时空域的分割和形态学重构完成运动目标的分割。同时也给出了一种新的思路，即先大致定位运动区域接着再只对运动区域完成运动目标提取，并通过实验证明了它的可行性和有效性。最后，通过实验发现本文算法与高斯混合模型和核密度估计相比，虽然在漏检率和误检率有时并不是最好的，但是在错误率这个整体指标上一直都是最低的，是这些算法里最稳定的。该算法能实时有效地构造背景模型，完整准确地分割运动目标。