Adaptive background mixture models for real-time tracking

最新推荐文章于 2020-07-31 11:21:27 发布
最新推荐文章于 2020-07-31 11:21:27 发布
阅读量4.2k 收藏 53
点赞数 11
文章标签： 算法 跟踪 GMM

       还不习惯在csdn中输入公式，这里把翻译的部分转为图片上传上来，原版论文PDF和翻译的PDF可以到这里下载点击打开链接















Mega_Li
关注
  • 11
    点赞
  • 踩
  • 53
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
《Adaptive Background Mixture Models For Real Time Tracking》翻译（一）
08-11 4181
声明：本人英文水平有限，粗略翻译Chris Stauffer 和W.E.L Grimson《Adaptive background mixture models for real-time tracking》，错误的之处还希望大家指正。翻译原文是为了学习和参考，禁止任何商业用途。自适应背景混合模型的实时跟踪摘要在图像序列中一种用于实时分割移动地区的通常的方法是 “背景减除法”或者是对没有移动物体的预估图像和当前图像之间的阈值误差，对这一问题有许多方法，不同之处是使用不同背景模型类型和程序更新模型。本文讨论为
OpenCV Blob-An Improved Adaptive Background Mixture Model for Realtime Tracking with Shadow Detection
08-15
Real-time segmentation of moving regions in image sequences is a fundamental step in many vision systems including automated visual surveillance, human-machine interface, and very low-bandwidth telecommunications. A typical method is background subtraction. Many background models have been introduced to deal with different problems. One of the successful solutions to these problems is to use a multi-colour background model per pixel proposed by Grimson et al [1,2,3]. However, the method suffers from slow learning at the beginning, especially in busy environments. In addition, it can not distinguish between moving shadows and moving objects. This paper presents a method which improves this adaptive background mixture model. By reinvestigating the update equations, we utilise different equations at different phases. This allows our system learn faster and more accurately as well as adapt effectively to changing environments. A shadow detection scheme is also introduced in this paper. It is based on a computational colour space that makes use of our background model. A comparison has been made between the two algorithms. The results show the speed of learning and the accuracy of the model using our update algorithm over the Grimson et al’s tracker. When incorporate with the shadow detection, our method results in far better segmentation than that of Grimson et al.
adaptive background mixture models for realtime tracking
03-11
本人是一篇 关于adaptive background mixture models for realtime tracking的英文文档
Stauffer1999A_Adaptive background mixture models for real-time tracking.pdf
04-22
本文主要探讨了混合高斯模型（Mixture of Gaussians, MOG）在实时背景分割与目标跟踪中的应用。该研究由Chris Stauffer和W.E.L Grimson共同完成，并发表于1999年。研究的主要目的是开发一种鲁棒、自适应的目标跟踪...
adaptive background mixture models for real-time tracking - explation
01-08
Grimson提出的“适应性背景混合模型”（Adaptive Background Mixture Models），该模型旨在通过概率建模方法区分场景中的背景与前景像素，从而实现对动态变化场景的有效跟踪。这种方法特别适用于视频监控系统，能够...
动态目标检测（一）：Adaptive Background Mixture Models for Real-Time Tracking
zinnc的专栏
08-02 3169
这个问题可以分为： 1. 静态背景下的动态目标 2. 动态背景下的动态目标 这里主要考虑第二个问题。解决方案： 1. 运动补偿+背景建模 2. 光流 最近看了下背景建模的经典文献：Adaptive Background Mixture Models for Real-Time Tracking。 99年的CVPR，目前引用次数3495。 问题提出：一个像素的灰度值通常对应了
Adaptive background mixture models for real-time tracking(stauffer_cvpr98_track)代码
03-09
Adaptive background mixture models for real-time tracking(stauffer_cvpr98_track) 详细代码
运动目标检测——GMM高斯混合模型
hello world
07-31 3798
对基于高斯混合模型的背景建模方法进行总结 1. 1999，Stauffer C & Grimson GMM paper: Adaptive Background Mixture Models for Real-Time Tracking 博客上的许多代码都是基于这个模型来写的； bgslibrary的DPGrimsonGMMBGS代码 OpenCV中的MOG，位于之前的版本中。在OpenCV3.x的版本中没有MOG源码了。Opencv2.4.13.6的源码地址：opencv/modules
Background Subtraction and Modeling 常见的目标检测中的背景建模方法漫谈
xdyang的图像视觉小屋
04-12 8799
转载者的话： 最近一直在看background subtraction and modeling。正如如下链接的第一个回帖所说，背景建模虽然最近研究不是很热，但对视频的处理至关重要，甚至直接影响一个系统的成败。研究不热的原因可能是因为能挖掘的方法都差不多了，剩下的就是个人消化和理解了。有时一种方法不一定管用，可能需要好几种组合起来才能有效，而且在不用的场景下需要不同的参数，这些都是在具体实验
《Improved adaptive Gausian mixture model for background subtraction》
On my way
11-15 6547
这篇文章基于《Adaptive background mixture models for real-time tracking》进行了改进，最主要的改进点在于通过最大后验估计法引入先验概率的影响，而不是直接通过最大似然估计法求解概率分布参数。这样做的效果之一就是作者后续操作中把权值减小至负数的分布舍弃掉，实现了混合高斯模型中分布个数的自适应。老规矩，这里贴上个人翻译内容，原文+翻译PDF点击打开链接这里下载。
GMM（Gaussian Mixture Model），高斯混合模型
JJ菜鸟的博客
04-29 4764
GMM（Gaussian Mixture Model），高斯混合模型GMM（Gaussian Mixture Model），高斯混合模型（或者混合高斯模型），也可以简写为MOG（Mixture of Gaussian） 主要来源于论文“Adaptive background mixture models for real-time trac
背景建模方法论文总结
搬砖小松鼠的博客
03-15 4278
文章名称：Real-tine tracking of the human body 年份：1997 作者：Christopher Richard Wren 算法名称：单高斯背景建模 简单描述：     将每个像素的可能取值看做是一个高斯分布   文章名称：Adaptive Background Mixture Models for Real-Time Tracking 年份：199
adaptive-background.js
weixin_34138056的博客
10-26 157
2019独角兽企业重金招聘Python工程师标准>>> ...
space-time adaptive processing for airborne radar j.ward
最新发布
11-19
空时自适应处理（STAP）是一种用于空中雷达的信号处理技术，它能够抑制地面杂波并增强目标特征。J.Ward在空时自适应处理方面做了大量研究和贡献。他提出的算法和方法在空中雷达系统中得到了广泛的应用。 空时自适应处理利用雷达接收到的信号，结合雷达平台的运动和信号的时变特性，对空间和时间上的信号进行自适应处理。这样就能够减小地面干扰信号，同时增强目标的返回信号，提高雷达的探测性能。 Ward的研究主要集中在如何对不同的杂波和目标信号进行分离和处理。他提出了一些改进的算法和技术，能够更准确地识别目标并抑制干扰。这些方法在实际的空中雷达系统中被广泛采用，提高了雷达的性能和可靠性。 同时，Ward还针对空时自适应处理的实施和工程应用进行了深入研究，提出了一些在工程领域具有实用价值的方法。他的工作不仅对空中雷达系统的性能提升有着重要的意义，还为相关领域的研究者提供了一些有益的启发和思路。总的来说，J.Ward在空时自适应处理领域做出了重要的贡献，他的研究成果对于提高雷达系统的性能和可靠性有着积极的影响。
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值