基于像素分类的运动目标检测算法

针对复杂环境下运动目标检测提出一种基于像素分类的运动目标检测算法。该算法通过亮度归一化对图像序列进行预处理,用以降低光照变化造成的误检,根据场景中不同像素点的特点,对图像进行分类处理,单模态类的像素用中值法进行背景建模,多模态类的像素用混合高斯模型建模。实验结果表明,该算法与传统的高斯建模法相比,减少了运算量,更易于应用在实时系统中。     

基于动态背景更新的运动目标检测算法

该文介绍了几种目前较为流行的运动目标检测方法,详细阐述了这些方法的检测原理,然后指出这些方法的优势和不足,在此基础上提出了动态背景更新方法,给出了整个算法的实现流程,同时在细节上做了一些改进。实验结果表明,此运动检测方法在静止背景的情况下能够有效地检测运动目标。     

基于自适应分类样本更新的运动目标检测

背景差分法是一种被广泛应用的前景检测方法,其关键部分在于背景图像的获取。算法提出一种通过分类样本模拟运动背景动态特征的背景模型,综合考虑多维度的背景像素点的变化信息,使算法保持样本更新的随机性,增加样本更新的目的性,同时使用自适应的更新策略来适应背景更新的快慢,快速获取真实的背景,达到最真实的目标检测效果。实验结果表明,提出的策略能够更好地处理动态背景更新时的目标检测,能快速准确地检测出运动目标,对噪声干扰具有很强的鲁棒性。     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背景模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验,比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背蒂模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验．比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。     

基于自适应背景模型运动目标检测

随着城市化速度的加快，机动车日益普及，人们在享受机动车所带来的巨大便利的同时，也面临着交通拥挤的困扰。随着计算机硬件技术和计算机视觉技术的发展，基于计算机视觉的交通监控系统成为可能。从一个交通视频序列中识别出运动物体是许多交通监控系统应用系统的重要任务，针对该问题，提出了一种建立在对视频序列中的整个背景情景的统计描述基础上的运动目标的检测的有效方法，该方法能够适应变化的背景，具有较强的鲁棒性和较好的实时性。     

基于自适应背景模型运动目标检测

随着城市化速度的加快,机动车日益普及,人们在享受机动车所带来的巨大便利的同时,也面临着交通拥挤的困扰。随着计算机硬件技术和计算机视觉技术的发展,基于计算机视觉的交通监控系统成为可能。从一个交通视频序列中识别出运动物体是许多交通监控系统应用系统的重要任务,针对该问题,提出了一种建立在对视频序列中的整个背景情景的统计描述基础上的运动目标的检测的有效方法,该方法能够适应变化的背景,具有较强的鲁棒性和较好的实时性。     

基于改进ViBe的运动目标检测算法

在运动目标检测领域,ViBe算法由于其实时性高、鲁棒性好等特点,已经被广泛地研究与使用。但动态背景往往会干扰检测结果。通过度量背景复杂度更新距离阈值和背景模型更新率的方式,提出了一种基于改进ViBe算法的运动目标检测算法,能有效地降低动态背景对检测结果造成的影响。最后,利用全局运动补偿算法将改进的ViBe算法应用到摄像机运动情况下,取得了一定效果。     

基于统计背景模型的运动目标检测方法

运动目标检测是计算机视觉、视频处理等应用领域的重要研究内容。其中减背景技术是一种常用方法。在减背景方法中，背景模型的提取、更新、背景扰动、外界光照条件变化、阴影检测等是必须要考虑的问题。提出了一种有效的运动目标检测方法，较好地解决了以上问题，首先利用统计的方法得到背景模型，并实时地对背景模型更新．以适应光线变化和场景本身的变化，用形态学方法和检测连通域面积进行后处理，消除噪声和背景扰动带来的影响，在HSV色度空间下检测阴影，得到准确的运动目标。实验结果表明，该方法是快速有效的。     

基于RGB颜色空间的减背景运动目标检测

在计算机视觉领域中,运动目标检测与分割是一个基础而又关键的问题.减背景法是其中一个比较经典和常用的方法,其难点在于如何获取背景以及实现背景的自适应更新.针对该问?提出一种基于RGB颜色空间的运动目标检测算法,充分利用了图像序列在RGB空间中的变化特点,首先通过抽取帧图像进行背景重构,即对图像序列中每个像素点的RGB值进行排序后取中间值作为该点背景像素的RGB值;在此基础上引入学习率对背景进行自适应更新,然后在RGB空间中进行前景目标提取,最后利用数学形态学和连通性分析对结果进行后处理.实验结果表明,该算法快速有效、能够满足实时要求.     

基于联合直方图的运动目标检测算法

从视频序列图像中检测完整的运动目标一直是计算机视觉研究的热点,基于联合直方图提出了一种运动目标检测算法。该算法利用联合直方图来描述相邻帧间的相似性,通过对视频序列中相邻两帧图像进行逐次分块,计算相邻帧对应分块的联合直方图并结合构造的相似性指标以逐步去除背景块,算法对运动目标本身不作处理,就能有效地避免检测到的运动目标出现空洞现象,最终得到了完整的运动目标。数值实验说明了该算法具有较好的检测性。     

基于对称差分和背景减的运动目标检测

通过对视频运动对象特点的分析,提出一种针对静态场景的运动目标检测算法。该算法采用一种改进的时间平均法初始化背景,在有目标的情况下也能构建出可靠的背景,并融合背景减法和多重对称差分法对背景进行自适应更新。实验结果证明,该算法计算简单,对光线变化具有适应性,能够完整地提取运动目标,改善了运动目标的检测效果,具有一定的鲁棒性。     

静止背景下基于图割的运动目标检测算法

运动目标检测是计算机视觉应用领域中基本而又重要的一步。针对背景差法检测边缘粗糙,存有空洞、噪点的不足,提出一种基于图割的运动目标检测算法。首先把问题转化为能量最小化的组合优化问题,然后构造网络使能量与网络的割的容量相对应,最后利用最大流-最小割算法寻找其最优解。实验结果表明,算法检测精度高、鲁棒性强。     

基于减背景与对称差分的运动目标检测

本文提出了一种基于背景相减法和对称差分法来进行运动目标检测的方法。首先通过混和高斯模型建立运动区域的背景模型,并对背景进行实时的更新,然后通过背景相减法确定运动目标区域,再和对称差分法相结合,得到比较可靠的运动目标区域。     

自适应背景筛选的运动对象检测算法

针对传统帧差法和背景差分法对运动对象检测不准确等不足,提出了一种自适应背景筛选的运动对象检测算法。该算法在采用帧差法构建的背景中标注出原图存在运动对象的区域,筛选当前运动对象区域未被标注且距当前时刻最近的背景与当前帧进行差分,从而提取前景运动目标。与帧差背景结合方法相比,该方法能更好解决因运动对象静止后融入背景建模而导致的检测对象不准确问题,且算法简单,易于实现,满足实时监控要求。实验结果验证了该算法的有效性。     

基于人工蜂群算法的运动目标检测方法

提出了一种基于人工蜂群算法的运动目标检测方法。利用将运动目标检测问题转化为独立成分分析问题的原理,选用峭度作为求解信号独立成分的判据,使用人工蜂群算法对基于峭度的目标函数进行优化求解,通过去相关方法从序列图像中剔除分离出的信号成分,进而实现对运动目标轨迹的成功提取。针对模拟运动物体和实际运动物体图像的仿真实验表明,该方法可以很好地检测出序列图像中运动物体清晰的运动轨迹。     

基于自适应背景匹配的运动目标检测算法

为了减小所提取的背景对后续目标检测的影响,提出了基于自适应背景匹配的运动目标检测算法.通过改进的Mode算法结合自适应背景匹配更新机制获得可靠的背景,在此基础上结合绝对差分和具有双动态阈值的Cauchy分布模型建立了目标检测总体模型,从而实现对视频序列中的运动目标进行检测.通过对行人和车辆等不同监控对象的实验,验证了算法具有良好的噪声抑制能力和对慢目标良好的鲁棒性,同时能有效的分割前景目标.     

基于背景重构的运动目标检测算法研究与应用

对视频序列中的运动目标检测方法进行了研究,提出了一种基于背景重构的运动目标检测算法。通过自学习方法建立视频图像的高斯模型,构造初始背景图像;运用差分算法,得到运动目标,并对背景图像进行了重构、更新,得到实时背景图像。该方法在有运动目标存在的情况下进行实时建模,实用价值高。     

基于视觉记忆模型聚类的运动目标检测

传统的混合高斯背景建模可对存在渐变及重复性运动的场景进行建模,但其运算过程需要足够的计算量和存储空间,不适应在复杂背景下的背景建模,也不能解决场景中存在的突变。针对这些问题,提出了一种基于记忆模型的聚类算法,算法为每个像素点设置一个聚类模型,每个聚类可根据背景的变化结合人类记忆模型自适应的创建、更新和删除。该算法通过人类瞬时记忆、短时记忆和长时记忆做出准确判断,运动目标检测结果更能符合人类感觉器官的判断。     

基于背景建模的VideoSAR动目标阴影检测方法

针对视频合成孔径雷达(video synthetic aperture radar,VideoSAR)数据进行地面运动目标检测的问题,本文提出了一种基于单高斯背景模型的VideoSAR动目标阴影检测方法.该方法使用一个时间维度的滑窗对视频序列进行处理:首先使用RED20深度神经网络模型抑制VideoSAR图像的斑点噪声...