运动背景下多目标跟踪的小波方法

为了能从运动背景中检测其中的运动目标,并进行跟踪,提出一种基于小波变换的分层匹配跟踪算法。利用小波分解的多层子图进行分层匹配,估计整个背景的运动矢量;利用差分算法从运动背景中检测出多个运动目标,计算出多个动目标的形心坐标,绘出各动目标的运动轨迹。该算法与传统的块匹配算法相比,滤除了原图像的高频噪声,防止了在含噪原图像上进行块匹配不准确的缺点;另外,在低频分量图像上N×N范围进行块匹配,相当于在原图像上2nN×2nN的范围进行匹配搜索,搜索速度快。当相邻两帧背景运动向量小于10个像素,运动目标相对背景的运动向量小于5个像素时,实验结果证明了此算法的有效性和可行性。     

混合色彩空间多信息融合的运动目标检测算法

针对传统帧间差分算法存在漏检、空洞和虚假目标等问题,提出一种改进的帧间差分算法。对几种常见色彩空间的运动目标检测效果进行实验对比分析,选取检测效果优良的色彩通道分量构建运动目标检测的混合色彩空间CbVb*。为充分利用帧间信息的相关性,根据CbVb*空间的场景像素变化特性,提出七帧帧间差分算法以获取运动目标的时域帧间差分;采用自适应阈值的Canny算子得到梯度域的运动目标边缘,将时域帧间差分与梯度域目标边缘进行融合,并对融合信息进行腐蚀和膨胀处理得到最终的检测结果。实验结果表明,改进的算法可以更准确地检测出运动目标,并具有较好的鲁棒性、适应性和实时性。     

视频监控系统中的动目标检测新方法

在分析了现有算法在复杂背景下所存在的不足的基础上，提出了一种适用于视频监控系统的基于视频序列像素时空相关性检测的动目标检测方法．该方法首先用每一帧中像素的空间相关性检测出目标，再用序列图像中目标的时间相关性检验目标的真实性，从而最终确定是否有运动目标．试验表明，该方法能很好地检测出运动目标，并具有较强的抗干扰能力．     

一种视频图像序列中运动对象的分割与跟踪算法

本文提出了一种视频图像序列中运动对象的分割与跟踪算法。该算法通过Canny算子检测出差帧图像的边缘信息,并结合当前帧与背景帧的边缘图像,提取出运动对象。在后续帧中通过建立前帧感兴趣运动对象与当前帧中各运动对象的帧间向量来跟踪当前帧中感兴趣的视频对象。实验结果表明,该算法可行,而且由于该算法简单、计算复杂度小,能很好地满足实时监控系统中对感兴趣运动对象的提取与跟踪。     

基于学习矢量量化的运动目标检测算法

提出一种基于学习矢量量化的运动目标检测算法.通过训练样本,网络能自适应地确定区分运动目标和背景的阈值向量.输入向量包含图像的 YCbCr 颜色空间分量和灰度共生矩阵的方向特征.两者融合到算法中,有效抑制了背景亮度变化对运动目标检测的干扰.仿真实验结果表明,即使在背景模型亮度剧烈变化的情况下,算法也能够准确检测出运动目标.     

基于Vibe的鬼影抑制算法

Vibe算法是通用的运动检测算法,用视频序列第一帧初始化背景模型,这使得模型的初始化非常迅速,但是当待检测的前景目标在第一帧中出现时,鬼影将伴随着模型的初始化而产生.Vibe算法并未对鬼影做任何特殊处理,以至于Vibe需要花费很长的一段时间才能完成对鬼影的抑制.为了解决这个问题,依赖于Vibe模型本身,提出了一种快速抑制鬼影的算法.当某像素值被Vibe模型判为前景时,将它与邻域像素点模型中的像素值继续比较,当与邻域的匹配达到阈值时,则认定此像素值为鬼影像素值,继而从前景中消去此鬼影点,并重新初始化此像素点的背景模型.实验表明,改进后的算法,与原算法相比,能够迅速的抑制鬼影.     

一种基于投影算法的运动目标自动跟踪系统

提出了一种基于投影算法的运动目标跟踪系统设计方案,它适用于固定背景情况下单个运动目标的检测与跟踪,采用了双摄像头方案,既可以扩大场景的监视范围,又可以给出运动目标的近距离影像,引入了投影算法计算位移矢量,提高了计算速度和对背景变化的抗干扰能力,实验结果表明了方案的可行性和算法的稳健性。     

一种基于投影算法的运动目标自动跟踪系统

提出了一种基于投影算法的运动目标自动跟踪系统设计方案．它适用于固定背景情况下单个运动目标的检测与跟踪．采用了双摄像头方案,既可以扩大场景的监视范围,又可以给出运动目标的近距离影像．引入了投影算法计算位移矢量,提高了计算速度和对背景变化的抗干扰能力．实验结果表明了方案的可行性和算法的稳健性．     

欧拉弹力模型的视频运动目标自适应图切检测

传统的视频运动目标图切检测算法基于低阶马尔科夫随机场,能量函数的低阶近似无法准确描述图像像素的空间相关性,导致图切检测结果过度平滑。本文提出一种基于高阶欧拉弹力模型的图切检测算法,利用欧拉弹性模型优化目标边界曲线和修正能量函数的低阶近似。算法通过利用前一帧图像的检测结果,对当前帧图像运动目标像素点数和前景背景邻接像素对数进行卡尔曼预测,并不断自适应调整当前帧的图像模型参数,实现了视频运动目标的连续全局优化检测。实验结果验证了欧拉弹力模型在视频运动目标检测中的有效性,其检测结果能够更好地满足人的视觉效果。     

分块思想和码本模型的运动检测算法

为了消除静止摄像机下复杂背景环境对运动目标检测造成的影响,同时又为解决目前的运动目标检测算法在检测速度、准确度方面存在的不足,提出一种改进码本模型的运动目标实时检测算法.首先利用分块的思想将一幅图像分成若干宏块(MacroBlock),然后对每个宏块进行背景建模聚类成码本.在目标检测时,同样对当前帧进行分块,对于每个宏块求得像素均值和亮度均值并与其对应位置的码本进行比较判断,从而提取出前景目标.实验证实,对存在动态因素的背景视频,该算法不仅能有效抑制伪目标的出现,而且能准确快速地检测出运动目标.     

对光照变化鲁棒的一种运动目标检测方法

鉴于现有的运动目标检测方法对光照变化的敏感性,本文提出了一种在静态场景下对光照变化鲁棒的运动目标检测方法。该方法利用视频当前图像帧的边缘与背景图像的边缘做差分运算,得出运动目标的轮廓,进而对运动目标进行定位与检测。实验证明,本方法在一定程度上能够消除由于环境光照变化引起的"曝光"现象,实时准确地检测出运动目标及其位置,运算速度快,满足实时性的需求。     

快速背景重建的在线运动目标检测

为了能快速地从视频图像序列中创建可靠的背景图像,进而提取运动目标,文中提出了一种基于反馈信息的运动目标检测算法.首先提出了基于相邻帧信息和背景估计信息相融合的背景重建算法,保证了在视频场景改变时仍能迅速捕捉背景;还提出了基于一种在线Otsu法的运动目标检测,将相邻帧运动目标信息反馈到目标提取算法中,弥补传统Otsu法的不足;最后提出了对光线变化具有一定鲁棒性的背景估计算法.实验表明,该方法的重建速度快,准确率高,能满足实时检测的需要.     

基于差异积累的视频运动对象自动分割

针对视频运动对象的自动分割,本文给出了一种基于差异积累的自动分割算法。与传统的基于运动信息变化检测方法不同,该算法通过累积的帧差信息构建出可靠的背景,与当前帧比较进而提取出视频运动对象。本文提出了一种增强的基于Otsu法的自适应阈值化方法,能更准确地对背景差图像进行阈值化分割,克服了传统Otsu法阈值化容易失效的问题。改进的基于区域生长的定位方法更能避免传统方法的误定位及重定位的问题。实验结果表明,本文算法具有较好的实时性、自适应性以及鲁棒性,可以较为可靠地建立背景模型并进行实时更新,适用于刚体或非刚体存在平缓的光照变化以及摄像头微抖动的视频运动对象的自动分割。     

运动背景中结合特征位移矢量场模糊分割与 OTSU法的运动检测

运动背景中的运动检测难度较大,背景运动补偿后差分以及分割光流场可实现动目标和背景的分离,差分前需进行鲁棒的背景估计,且差分后易出现空洞,而光流估计在噪声以及目标运动速度较大时并不准确,尤其在光照变化时,两种方法均易失效。本文提出一种特征点位移矢量场模糊分割与图像自适应阈值化相结合的运动检测方法,实现在无任何关于运动目标或者运动背景先验信息条件下的动目标检测。通过改进的 SIFT匹配方法生成鲁棒的特征位移矢量场,采用模糊 C均值聚类算法对 SIFT位移矢量场进行无监督分类,实现动目标与背景特征的自适应分离。 OTSU法和形态学操作实现图像的自适应分割,用以修正特征点凸包,最终分割出动目标区域。与鲁棒的背景运动补偿后差分以及光流估计的对比实验表明,在目标运动速度较大、光照变化以及噪声情况下,本文方法均能够检测出运动目标,且在光照变化下的优势明显。     

复杂背景下运动目标的提取

提出了在复杂背景以及摄像机运动的情况下运动目标提取的算法。采用了新的局部投影的方法,在图像中合理地划分了投影区域,在求投影偏移量时提出了峰值匹配的算法,合理地检测到了投影偏移量。求得各个局部运动矢量后,采用出现频率最高的局部运动矢量代表全局运动矢量,成功的补偿了背景的运动。实验结果表明该算法在图像背景复杂且由于摄像机运动使背号发生明显变化的情况下,可稳定准确地提取出运动目标,并能有效克服背景中存在的运动干扰。     

随机图像选取与自适应背景更新的运动物体检测

为克服运动目标检测中易出现的光照变化、遮挡、虚假目标等现象,提出了一种随机图像选取与自适应背景更新的运动物体检测方法.该方法从视频序列中随机选取一帧图像作为初始背景,根据变化标记矩阵对背景进行自适应迭代更新,以提取可靠的背景图像,实现运动物体的检测.实验结果表明,采用该算法提取的背景不存在混合现象,且在光照变化较大以及运动物体之间存在遮挡的情况下,能够构造出可靠的背景,检测出的目标物体清晰可见.     

基于背景重构和水平集的多运动目标分割

针对固定摄像机监控中多运动目标自动分割问题,本文提出了一种基于背景差分和水平集的新方法.首先,该方法通过求解连续三帧图像的对称差分,确定出当前帧中的背景像素点,并对背景像素点的灰度值进行统计,最后选择频率最高的灰度值作为该点背景像素灰度值来重构背景.其次,提出了基于8-邻域搜索的区域生长算法完成连通区域的检测,并通过设置阈值和连通域分析,消除背景块噪声并标定出运动目标区域.最后,对所有运动目标区域块,分别采用无需重新初始化的水平集算法作分割,得到封闭和完整的目标轮廓.实验结果表明,该算法能实现固定摄像机滥控中刚体或非刚体的多运动目标的自动检测和轮廓分割.     

基于假设理论的序列图像中多目标检测和跟踪(英文)

本文提出一种基于目标检测的多维假设多目标检测和跟踪方法,此算法对于序列图像的照明变化和遮蔽现象具有很高的鲁棒性.首先,对序列图像进行背景抑制、时域滤波和杂波剔除的预处理,得到单帧的初始目标检测结果.对于初始检测中存在的漏检和误检现象,采用基于假设理论的跟踪概率模型优化初始检测轨迹;将目标的跟踪信息反馈于目标检测模块,形成一闭环自适应跟踪系统,达到多目标的最优检测和跟踪.实验结果表明了所提出的方法在多目标检测和跟踪中的可行性和有效性.     

Moving/motionless foreground object detection using fast statistical background updating

Abstract

In video surveillance, the detection of foreground objects in an image sequence from a still camera is very important for object tracking, activity recognition and behaviour understanding. The conventional background subtraction cannot respond promptly to dynamic changes in the background, and temporal difference cannot accurately extract the object shapes and detect motionless objects. In this paper, we propose a fast statistical process control scheme for foreground segmentation. The proposed method can promptly calculate the exact grey-level mean and standard deviation of individual pixels in both short- and long-term image sequences by simply deleting the earliest one among the set of images and adding the current image scene in the image sequence. A short-term updating process can be highly responsive to dynamic changes of the environment, and a long-term updating process can well extract the shape of a moving object. The detection results from both the short- and long-term processes are incorporated to detect motionless objects and eliminate non-stationary background objects. Experimental results have shown that the proposed scheme can be well applied to both indoor and outdoor environments. It can effectively extract foreground objects with various moving speeds or without motion at a high process frame rate.