基于模糊聚类的背景初始化方法

为了从具有运动物体前景的公路监控视频中提取出初始背景,提出一种基于模糊聚类识别的背景建模算法。利用模糊聚类识别方法从时间轴上总体呈多相似值分布的像素点中提取出背景子类,实现背景初始化。结果表明,该方法具有良好的适应性,能有效地对背景进行初始化,可以显著降低目前动态背景建模方法的计算量和内存需求量,易于在实时嵌入式系统上实现。     

视觉监视中基于柯西分布的统计变化检测

为了更好地进行视觉监视,该文给出了一种新的基于柯西分布的光照不变的统计变化检测算法。该算法首先将两帧图像间的灰度比值作为背景建模和剔除的特征,并且在假定背景图像中,当每个像素点观测的时序灰度变化由白噪声引起时,两帧背景图像中对应像素间的灰度比值的分布符合柯西分布;然后基于该变化检测方法,将YCbCr颜色空间的亮度、色调和饱和度用来识别和消除视频序列图像中的阴影。实验结果表明,该新算法不仅可以承受整体或局部的、缓慢或突然的光线变化,并且可以滤除由场景背景中小的扰动而导致的噪声。     

基于视频序列的双背景建模算法

在研究传统码本和滑动平均背景建模算法的基础上提出了一种基于视频序列的双背景建模算法, 并利用统计的方法提出了一种基于HSV特征的背景更新方法, 有效滤除了噪声点, 解决了光线突变下背景更新的问题。实验表明该算法对光照突变鲁棒性强, 响应速度快, 适合实时图像处理。     

一种基于区间分布的自适应背景提取算法

交通流量的视频检测离不开背景提取.现有的背景提取算法往往运算量大,不能快速跟踪背景变化.本文提出一种基于区间分布的自适应背景提取算法,该算法利用背景像素值的分布特征,得到背景的估计模型.实验结果表明,相对于其他自适应背景提取算法,区间分布法能够较好地自适应环境光线的变化,快速跟踪背景的变化,同时计算量较小,能够满足实时性要求.     

一种基于像素抽样建模的车辆目标提取方法

针对传统背景建模算法初始化时间长、存在Ghost区等缺点,本文根据样本一致性原理,提出一种基于像素抽样的背景建模方法。初始化阶段利用历史像素序列多次采样构建背景模型;模型更新采用改进的ViBe算法,同时更新历史像素模型和ViBe背景模型;前景检测时,利用样本一致性原理,将源像素同时与两个模型作比较,获得目标。对比实验表明,与Vibe原算法及传统目标提取算法相比,本文算法在有运动目标存在的情况下,初始化效率较高,并且有效抑制Ghost区,低速目标检测效果良好。     

基于灰度直方图的背景差目标检测算法

提出了一种基于灰度直方图的目标检测方法。背景差法和帧间差法是两种比较常用的目标检测方法。利用图像灰度直方图进行背景建模,然后提取视频序列中的一帧图像与背景模型进行对比分析,设定一个阈值来判断当前帧与背景模型之间的差异性,以此可以快速判断是否有目标出现。实验结果表明,此方法简单有效、计算复杂度低,能够快速地检测出视频序列中的目标。     

基于改进视觉背景提取算法的运动目标检测

针对经典视觉背景提取算法（visual background extraction algorithm, ViBe）因初始帧存在运动目标易产生鬼影以及对扰动背景适应性差的问题,提出一种改进ViBe算法。利用改进三帧差分法和最小外接矩形定位初始帧运动目标,并通过局部初始化的方法进行鬼影抑制;在背景模型初始化阶段,定义灰度相似函数从时域和空域信息中中等比例选取像素点建立背景模型,增强背景模型的鲁棒性;在前景检测检测阶段,通过平均差法衡量样本集合的离散度,构建自适应分割阈值代替原有的固定分割阈值以适应背景扰动。实验表明,改进算法可以有效抑制鬼影产生并且提高算法在扰动背景下的适应性和检测准确度。     

融合像素时空信息的背景建模方法

现有的背景建模方法通常只利用像素的时间或空间信息进行建模,降低了运动目标检测的准确性,针对这一问题提出一种融合像素时空信息的背景建模方法.分别在视频图像序列的时间、空间维度上对像素灰度值进行采样,建立像素的时间和空间背景模型;在检测运动目标的过程中对时间背景模型采用“先进先出”的更新策略,对空间背景模型采用随机的更新策略.实验结果表明,时空背景建模能有效地检测出运动目标,有效减少光线变化和摄像机抖动对检测结果的影响,较好抑制动态背景的干扰.     

背景提取和水平集相结合的运动目标轮廓提取方法

提出一种基于背景提取和水平集的方法来进行运动目标的检测和轮廓提取。首先,通过一种改进的背景提取法将视频序列中的背景提取出来,然后通过结合背景差分结果和帧间差分结果检验出运动目标的运动区域,以检验出的运动区域的外接矩形为初始曲线,应用一种无需初始化的水平集的方法进行运动目标轮廓的提取。仿真实验表明,该方法能够实时有效地对运动目标轮廓进行提取。     

基于像素灰度归类的背景重构算法

背景差法是一种重要的运动检测方法,其难点在于如何进行背景更新.针对该问题,提出一种基于像素灰度归类的背景重构算法,即在假设背景像素灰度以最大概率出现在图像序列的前提下,利用灰度差对相应像素点灰度进行归类,选择频率最高的灰度值作为该点的背景像素值.在背景缓慢变化和突变时,分别利用该算法进行定时和实时背景重构具有时显的优点.仿真结果表明,即使场景中存在运动前景,该算法也能够准确地重构背景,并有效地避免混合现象,从而实现对运动目标的完整提取,以便进一步识别或跟踪.     

夜晚视频目标检测中的车辆灯光干扰消除方法

针对夜晚视频目标检测中的车辆灯光干扰问题,提出一种基于支持向量机(SVM)的灯光干扰消除方法。用背景差方法对输入视频进行初始分割得到前景区域,把前景区域划分为子块,提取子块的灰度分布特征和纹理特征;选择一个最佳特征子集作为输入向量,对SVM分类器进行训练识别;将识别为灯光的子块去除。实验结果表明,与其他分类器相比,基于SVM的方法在准确率和实时性方面性能较优。     

结合全局概率密度差异与局部灰度拟合的超声图像分割

由于超声图像具有高噪声、低对比度、边缘模糊不清等特点, 超声图像的分割成为图像处理领域中一个难度较高、亟待解决的问题. 本文提出了一种结合全局概率密度差异与局部灰度拟合的主动轮廓模型对超声图像进行分割的方法. 该方法分别在原始超声图像与预处理图像上利用了图像的全局和局部信息. 在原始图像上, 利用各区域的灰度分布, 并结合超声图像的背景知识对图像的全局信息建模. 为了考虑图像的局部信息, 首先对图像进行预处理, 在预处理图像上, 利用局部灰度拟合模型对图像中的局部信息进行建模. 通过分别在不同图像上对全局和局部信息建模的方式, 本方法将利用Speckle噪声与去除Speckle噪声的分割思想结合在一起. 本文提出的方法分别在模拟和临床超声图像上进行了实验. 实验结果证明, 该方法对图像中的噪声具有较好的适应性, 并对初始条件不敏感, 可以准确地对超声图像进行分割.     

鲁棒的肤色检测方法

肤色检测常用的方法有颜色空间阈值法,肤色统计模型和基于分割的方法.然而,上述方法对于光照不好的图片往往得不到很好的效果,而且在背景颜色与肤色相近时,往往误判背景为肤色.为此,提出了一个综合的方法,它对图片光照和背景颜色具有鲁棒性:先作图像预处理,通过阈值法选出肤色像素,再对肤色密度分布进行估计,最后使用改进的分水岭算法进行肤色区域生长.实验结果表明,该方法可以有效降低背景颜色的干扰,提高了肤色轮廓的精确度.     

动态环境下的激光条纹中心线提取方法

线结构光三维视觉测量技术最关键的一步是提取出结构光图像中的激光条纹中心线;针对动态测量环境下激光条纹图像存在复杂背景信息、激光光强分布不均、光带各部分宽度差别大、激光条纹断裂等问题,文章研究了一种适用于动态测量环境的激光条纹中心线提取方法;首先通过图像预处理以及自适应裁剪算法提取出感兴趣区域(ROI,region of interest);其次通过改进型伽马校正(IGC,improved gamma correction)以及改进型变阈值大津阈值分割算法(IVT Ostu,improved variable threshold)分割出激光条纹区域;然后使用二维灰度重心法(TD-GBM,two-dimensional gray baryeentric method)提取激光条纹的初始中心线;最终使用二次优化算法对初始中心线进行优化,精确地提取出激光条纹中心线;实验结果表明,相比于灰度重心法、Steger法等算法,文章所提方法受背景干扰以及激光条纹质量的影响较小,能够在多种复杂情况下更精确地提取激光条纹中心线,满足准确性高、稳定性强以及实时性好的要求.     

基于时空背景差的运动目标检测算法

假定图像序列的背景图像已经获得,提出一种基于时空背景差的运动目标检测算法.该算法融合背景差分、基于时间信息的帧间差分及基于空间信息的背景差分信息,得到真实运动物体的运动种子点,认为背景差分图像中包含运动种子点的连通区域为真实的前景目标,从而可以检测出正确而完整的前景目标.仿真实验表明,该算法可以避免背景模型对场景的表征不足及背景更新阶段造成的错误检测,即使在场景中存在微小运动的复杂环境下,仍能实现准确的运动分割.     

基于Codebook背景建模的视频行人检测

针对视频序列,Codebook背景建模算法能检测出其中的运动物体,但却无法识别行人.而大部分基于支持向量机(SVM)训练的行人分类器,需要通过滑动窗口遍历图像检测行人.为加快行人检测的速度,提出将传统的行人分类器融入到Codebook背景建模算法中,通过背景建模算法为行人检测提供候选区域,减少搜索范围,降低了行人误检率;并根据行人的特点,构建临时块模型定期将满足条件的前景区域更新到背景模型中,解决了Codebook背景建模算法不能应对光照突变的问题.实验结果表明:所提算法能应对光照突变所带来的干扰,实现视频行人实时检测.     

一种自适应的运动目标模糊边缘检测方法

提出了一种有选择的局部背景快速分割方法;针对模糊边缘难以检测的问题,提出一种将梯度法与灰度阈值法相结合的方法.该方法首先通过大津法确定目标的位置;然后在其邻域内求出关于灰度值分布的直方图的极值点,再通过灰度阈值法得到目标的初步边缘;最后根据梯度信息对边缘进行微调,减少了灰度不均匀等因素造成的影响.实验结果表明,文中的方法可以有效地提高模糊边缘的检测效率.     

基于混合高斯模型的运动目标检测算法

针对智能交通系统中运动目标检测阶段存在的不足,提出了一种基于自适应混合高斯模型(GMM)的改进算法。将隔帧差分的方法引入背景建模的初始判别阶段,从而迅速地检测出运动变化区域,提高了算法的灵敏度,同时也增强了对缓慢运行车辆的检测的适用性;将划分出的背景及运动区域赋予不同的更新率,使得背景显露区域得到迅速恢复,消去了运动车辆留下的"影子"。在此较为精确的背景模型下,结合灰度和canny边缘特征进行背景差分,有效地保留了与背景灰度相似的运动目标的轮廓。通过实验证明该检测算法取得了较好的效果。     

聚类差分图像核密度估计前景目标检测

针对非参数核密度估计学习阶段信息冗余与重复计算,估计阶段的估计错误噪声和计算量大的问题,提出了一种基于聚类分析的差分图像核密度估计前景目标检测算法.该方法在非参数核密度估计的学习阶段基于最大最小聚类原理从原采样全样本中提取那些具有较高频度和多样件的小样本来包含尽可能多的关键样本信息,在估计阶段采用基于自适应阈值的图像差分滤去非典型的运动像素,再利用高斯核密度估计进行运动像素分类.实验结果表明该方法限制了非典型运动像素估计错误产生的噪声,并减少了核密度估计计算量,提高了算法的实时性.