买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜西北工业大学申请的专利基于改进高斯混合算法的高空抛物实时检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115984763B 。

龙图腾网通过国家知识产权局官网在2025-04-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211543151.2，技术领域涉及：G06V20/52；该发明授权基于改进高斯混合算法的高空抛物实时检测方法是由王成;王英民;杨文凯;刘思杰;陶林伟;郑琨设计研发完成，并于2022-12-02向国家知识产权局提交的专利申请。

本基于改进高斯混合算法的高空抛物实时检测方法在说明书摘要公布了：本发明涉及一种基于改进高斯混合算法的高空抛物实时检测方法，基于改进的高斯混合模型的高空抛物检测定位坐标，通过将摄像头拍摄的视频帧内楼栋的画面进行灰度图处理，对像素点进行高斯模型统计，截取下一帧图像，分析每个像素点的高斯函数对于背景模型的差异性，如果匹配成功则将像素点置0，反之则认为是前景像素点。更新背景像素统计模型，使每一帧图像都可以进行背景融合。继续下一帧图像，最终得出视频中运动物体所有坐标。该算法解决了多样化动态场景的干扰，能够有效降低高空抛物检测误报率。该方法能够良好地检测和跟踪运动目标，具有良好的抗干扰能力和较好的准确度。

本发明授权基于改进高斯混合算法的高空抛物实时检测方法在权利要求书中公布了：1.一种基于改进高斯混合算法的高空抛物实时检测方法，其特征在于步骤如下：步骤1：以前N帧图像的每个像素点高斯函数建立高斯混合背景统计模型： 其中μk是均值，D为常量参数，x是每幅图像像素值，Σk＝σk2I是第k个分量的协方差，I为RGB颜色空间，ηx；θk是第k个高斯正太分布；将k个分布依据适应度值wkσk,wk是第k个高斯分量权重系数，σk是均方差；步骤2：将前N帧图像后视频中第一帧图像，即第N+1帧图像，按照自适应性阈值进行灰度处理，将RGB图像转化为灰度图像；对三个通道分布划分运行，并在三个并行进程中运行算法；最后的分割Fxi来自于三个部分FRxi,FBxi,FGxi的逐个按位或操作，得到所求灰度值；步骤3：采用步骤1的背景统计模型与第N+1帧图像的高斯混合模型进行比对，在第N+1帧图像上添加动态背景：引入自适应学习率来反应前景图像融入背景的速度,将t个样本的估计记作递归地写成估计函数对于t-1样本和所有权系数最后一个样本的:使用自适应学习率来判定频繁运动的前景归类为动态背景；使用动态估计器进行调整 得到自适应阈值；其中Txi是动态学习控制器，Tinc,Tdec是不变参数；步骤4：再次提取出第N+1帧中的每个像素点，通过贝叶斯决策法则和似然函数 分析该像素点的高斯混合模型参数与背景模型的差异性，并且设定阈值；其中：BG是背景，FG是前景,是在x像素下背景或者前景概率；步骤5：将阈值内的像素点置0，该点为背景像素点；反之则将其像素点置255，该像素点为前景像素；步骤6：更新混合高斯模型采用自适应性高斯混合模型，将前景像素点的高斯分布参数即均值、标准差、权重，在时间段T，并且在时刻t时有添加到背景统计模型中： 并按照如下更新方程进行更新： 其中：是估计的均值，是估计的方差，用来描述高斯分量；是混合权重，并且是非负，加起来为1；如果某个像素只出现了一次，降低其权重，当权重小于阈值时，将其从混合高斯模型中删除；步骤7：继续读取下一帧视频，重复步骤2～步骤6,最后得出所有帧视频的前景像素点；最后将框选出来的目标返回在视频中，实现高空抛物的实时目标跟踪。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。