基于帧间差分背景模型的运动物体检测与跟踪

针对背景差分算法中在复杂背景下参考帧的提取问题,提出了一种新的背景提取方法;该算法用帧间差分法将帧中的背景象素点检测出来,再确立出背景帧;由于排除了帧中运动物体的影响,因而提取出的背景干净,效果很好,然后运用背景差分检测出场景中的物体,最后采用一种新的运动物体跟踪算法,实现了运动物体和静止物体的识别,克服了以往检测算法中的误检和空洞问题,实验结果表明,该方法快速有效,能够满足实时性的要求.     

基于均值漂移和边缘检测的轮廓跟踪算法

实时的轮廓跟踪算法可以为视频监控系统提供物体的轮廓信息以供对物体类别、物体行为等进行识别.提出一种基于均值漂移和边缘检测的轮廓跟踪算法.方法中,首先利用均值漂移算法跟踪得到目标物体的中心位置,同时用高斯统计模型进行背景更新,从前景图像和背景图像中分别得到具有相同位置和大小的前景矩形区域和背景矩形区域,然后用背景分割的方法得到目标物体区域,再对目标物体区域进行边缘检测就得到了目标物体的轮廓,进而实现了对目标物体的轮廓跟踪.实验表明,可以实时、准确、稳定地对目标物体进行轮廓跟踪.     

视频监控系统中运动物体的实时检测

介绍了在视频监控系统中,以最长静止分段中点算法恢复视频背景,并利用VFW机制中的回调函数来实时更新背景,以最大类间方差法计算最佳分割阈值,实现对运动物体的实时检测,以提高其可靠性。     

基于拉普拉斯分布模型的静止物体检测方法

针对监控视频中静止物体的检测,提出了一种基于拉普拉斯分布模型的检测方法。该方法首先改进[∑-Δ]背景建模方法,快速提取视频背景,构成初级背景,然后在初级背景中引入拉普拉斯分布模型,从而构成精确的自适应动态背景,最后比较初级背景与动态背景之间的差异达到检测静止物体的目的。实验结果表明,该方法能在标准视频数据库中有效地检测到静止行李,并对人群拥挤和光照变化等复杂场景有良好的检测效果。     

背景帧差与分块帧差相融合的运动目标检测

提出一种融合使用背景帧差和分块帧差的运动目标检测方法。该方法通过对图像的每个像素点进行学习,然后建立初始背景,通过不完全覆盖分块法对图像进行分块,对各子块进行帧间差分实现对前景图像的粗提取,采用otsu算法获取阈值,运用背景差分对前景图像进行细提取。背景采用分段学习的更新方法,能够消除光照变化、背景物体摇动等噪声。实验结果表明,该方法快速、准确,抗干扰能力强,能较好地满足实时检测运动目标的要求。     

面向车流量估计的改进ViBe算法研究*

针对视觉背景提取(Visual Background Extractor,ViBe)算法中出现的“鬼影”、阴影前景和漏检静止目标等问题,提出了一种经过改善的ViBe算法。首先在背景模型初始化阶段,利用改善的平均背景建模法对多帧图像建立初始化背景模型以消除鬼影。接着在前景检测阶段,通过计算运动目标与背景像素间差值消除由于光照所造成的阴影,同时利用直方图相似度检测静止目标。最终在车道设置虚拟线圈检测区以检测各个车道的占用比,从而得出道路的交通情况。试验表明,经过改善后的ViBe算法在抑制“鬼影”出现、检测静止目标和消除阴影三方面有较好的效果,能够准确检测出道路车流量。     

结合置信度加权融合与视觉注意机制的前景检测

目的 在视频前景检测中,像素级的背景减除法检测结果轮廓清晰,灵活性高。然而,基于样本一致性的像素级分类方法不能有效利用像素信息,遇到颜色伪装和出现静止前景等复杂情形时无法有效检测前景。为解决这一问题,提出一种基于置信度加权融合和视觉注意的前景检测方法。方法 通过加权融合样本的颜色置信度和纹理置信度之和判断前景,进行自适应更新样本的置信度和权值;通过划分子序列结合颜色显著性和纹理差异度构建视觉注意机制判定静止前景目标,使用更新置信度最小样本的策略保持背景模型的动态更新。结果 本文方法在CDW2014（change detection workshops 2014）和SBM-RGBD（scene background modeling red-green-blue-depth）数据集上进行检测,相较于5种主流算法,本文算法的查全率和精度相较于次好算法分别提高2.66%和1.48%,综合性能最优。结论 本文算法提高了在颜色伪装和存在静止前景等复杂情形下前景检测的精度和召回率,在公开数据集上得到更好的检测效果。可将其应用于存在颜色伪装和静止前景等复杂情形的视频监控中。     

基于ViBe的室外动态背景闪烁像素噪声消除方法

针对使用视觉背景提取(ViBe)模型在室外动态背景下进行移动目标检测时存在不规则闪烁像素点对前景检测结果造成干扰的问题,提出一种基于视觉背景提取算法的闪烁像素噪声消除方法。在背景模型建立阶段设定背景模型样本标准差阈值,约束背景模型的采样值范围以提高背景模型准确性。在前景检测阶段引入自适应检测阈值提高前景物体检测精度,在背景模型更新过程中对图像边缘背景像素点进行边缘抑制以阻止错误背景样本值更新到背景模型。在此基础上,结合形态学操作修复连通域,提高前景图像的完整性。最后选取多个视频序列将该方法与原始ViBe算法、形态学改进方法的检测结果进行对比。实验结果表明,该方法能有效消除闪烁像素噪声对前景检测造成的影响,获取更精确的前景图像。     

基于改进的PBAS算法的前景目标检测

针对像素层自适应分割算法(Pixel Based Adaptive Segmenter,PBAS)在动态背景下检测准确率低、静止或运动缓慢的前景目标被更新为背景以及出现鬼影干扰的问题,提出了一种 结合 像素级信息和区域级信息的改进的前景检测算法。首先,提出一种融合区域结构信息和区域颜色信息的背景复杂度衡量方式;然后,采用改进的背景复杂度来控制判定阈值和学习率,并检测前景;其次,对像素层的检测结果使用区域窗口进行空间邻域对比,以消除鬼影;最后,引入前景计数机制来保证静止前景不被更新为背景。实验结果表明,该算法对光照条件和前景运动速度不敏感,能有效地从背景中检测出完整的前景目标,并迅速地消除鬼影干扰,准确率达到了92.7%。     

基于块特征分类的运动估计算法

运动估计作为H.264中最重要最耗时的部分,大量的算法研究都是通过减少搜索点数来降低计算量。视频序列中,人们感兴趣的往往是运动的物体,背景部分一般拥有大量的静止块,帧间背景间的运动可以认为完全是由摄像机的运动引起的。利用背景块与前景块的图像特征结合MV预测提出一种新算法。该算法包括以下策略：静止块判断、背景块、前景块和边缘块的检测、起点预测和搜索窗口的改进,同时引进了边缘检测技术。实验结果表明,该算法与全搜索算法(FS)、UMHex、SUMHex相比,搜索时间减少了,而搜索精度接近FS, 码率只有很小的增加。     

慢运动背景下运动目标提取算法*

提出一种慢运动背景视频序列下基于帧间背景图像匹配的运动目标检测和提取算法。该算法首先使用仿射变换模型来描述慢运动背景图像的运动变化,并使用基于光流约束方法求解该仿射变换模型参数,实现了相邻帧间图像的背景匹配;其次,采用背景匹配后的两帧图像差进行目标检测,使用自适应二值化区分变化与未变化区域;最后,使用形态学等图像算法进行后处理提取运动目标。算法经实验证明,在背景慢运动情况下可以有效地提取出运动目标。     

运动目标检测的ViBe算法改进

目的 目标检测在智能交通、自动驾驶以及安防监控中均有重要的地位,ViBe算法是常用的运动目标检测算法,它主要由背景模型初始化、前景检测、背景模型更新3部分组成,其思想简单,易于实现,运算效率高,但当初始帧有运动目标时,检测结果会出现“鬼影”现象,且易受噪声和光照变化影响,不能适应动态场景。同时,其逐帧逐像素进行前景检测,在计算复杂度方面有较大提升空间。为解决这些问题,提出一种改进的ViBe算法,称为ViBeImp算法。方法 在背景模型初始化时,用多帧平均法给出初始背景,采用该初始背景构建初始背景样本模型。在前景检测过程中,采用背景差分法、帧差法与OTSU算法相结合给出半径阈值的自适应计算方法。同时,根据背景差分法找出运动区域,只对运动区域进行前景判断和模型更新,降低算法的计算复杂度。结果 对25个不同场景视频分别给出ViBeImp算法在初始化背景,自适应半径阈值和计算复杂度方面改进的结果及有效性指标,实验结果表明,与ViBe、ViBeDiff2、ViBeIniR,以及Surendra等算法和高斯混合模型相比,ViBeImp算法对噪声、光照和背景动态变化有较好的鲁棒性,检测结果更完整,且实时性较好。同时,ViBeImp算法将ViBe算法的查准率、查全率以及F1值分别提高了17.98%、11.40%和15.96%。结论 ViBeImp算法采用多帧平均法构建初始背景可有效地消除“鬼影”,并给出半径阈值的自适应计算方法,使ViBe算法更快适应视频环境变化,准确且完整地检测出运动目标,具有较低的误检率和漏检率。该方法克服了ViBe算法对初始背景以及视频环境的依赖,很大程度上提高了运算速度,具有很好的鲁棒性和适用性。     

统计建模与对象更新机制相结合的背景减法

基于混合高斯模型（Gaussian Mixture Models,GMM）或码书模型（Codebook,CB）的传统背景建模算法和改进后的G-KDE算法被广泛地运用于运动目标检测中,但是在光照突变、非静止背景和运动目标短暂停留再运动的场景中不能正确地检测出运动目标。针对以上问题,提出了一种从静止摄像机的视频序列中检测运动目标的背景减算法。通过统计像素的经历作为时间序列,利用核密度估计判断背景像素是否受到运动目标干扰,使用K-均值聚类算法的两个连续阶段来确定可靠的背景区域,通过像素更新适应渐进的光照变化,提出一种基于对象的背景更新机制适应突然的光照变化以及非静止背景、鬼影等干扰。对实际摄取的视频进行了仿真实验,结果表明该算法比其他三种方法检测运动目标鲁棒性更好,准确性更高。     

多尺度分形维的星载舰船显著性检测

目的 星上的舰船检测需要在资源和时间受限条件下实现快速检测,并且对目标的种类和尺寸缺少先验信息的指导,更多时候还需要实现一景图像中不同尺寸舰船的检测,因此,星上舰船检测要求检测方法具有一定的自适应性,从而实现星上多变的检测场景。方法 针对这一问题,提出了一种多尺度分形维的检测方法,可以实现一景遥感图像中不同尺寸舰船目标的检测。首先,针对差分盒算法受盒子尺寸约束的限制使分形维数的计算精度受到影响的问题提出了一种改进算法,改进算法增加了拟合直线的点对数目并引入了拟合误差剔除误差点对,提高了分形维特征计算的精确度。结果 在提高了分形维计算精度的基础上,新算法利用自然物体在不同尺度上具有的自相似性,通过多尺度分形维的计算并借鉴视觉显著性中c-s算子来排除背景对目标的干扰,突出舰船目标。实验结果表明,新算法能够有效检测出一景图像中不同尺寸的舰船,优于双参数CFAR算法的检测结果。结论 本文提出的多尺度分形维的检测算法可以实现对一景图像中不同尺寸舰船目标的检测,在保证一定检测率的同时有效降低了目标检测的虚警率。     

An image detection technique based on morphological edge detection and background differencing for real-time traffic analysis

The real-time vehicle detection from a traffic scene is the major process in image processing based traffic data collection and analysis techniques. The most common algorithm used for real-time vehicle detection is based on background differencing and thresholding operations. The efficiency of this method of image detection is heavily dependent on the background updating and threshold selection techniques. In this paper, a new background updating and a dynamic threshold selection technique is presented. An alternative image detection technique used in image processing is based on edge detection techniques. However, an edge detector extracts the edges of the objects of a scene irrespective of whether it belongs to the background details or the objects. Therefore, to separate these two, extra information is required. We have developed a new image detection method based on background differencing and edge detection techniques, which separates the objects from their backgrounds and works well under various lighting and weather conditions. This image detection technique together with other techniques for calculating traffic parameters e.g. counting number of vehicles, works in real-time on an 80386-based microcomputer operating at a clock speed of 33 MHz.     

交通场景中的实时多目标跟踪方法

针对多目标检测与跟踪技术的应用要求,提出一种用于交通场景的实时多目标跟踪方法。设计背景建模算法和基于角点动态特征的分层跟踪算法,利用背景建模算法提取视频帧前景,并在前景区域运用分层跟踪算法,包括Corner、Cluster和Object 3层架构,通过在不同层之间引入对应的聚类算法,以实现目标跟踪。实验结果表明,该方法适用于多数交通场景,对光照、阴影具有较强的鲁棒性。     

视频监控中运动物体的检测与跟踪

针对固定摄像头下的交通监控场景,首先给出一种基于分块原理的背景重建算法,克服了平均法重建的背景图像模糊的缺点。然后用减背景方法检测运动物体,并利用数学形态学方法对得到原始前景点作处理,填补了运动物体内部的空洞,减少了噪声点,改善了检测性能。为适应背景的变化,对背景进行自适应更新,并且通过对Meanshift算法的改进提高了跟踪的准确性。实验结果表明,算法在有效检测到运动物体的同时能够快速准确地跟踪运动物体。     

水下人造目标线特征快速检测算法

为了从水下复杂场景中快速检测人造目标,提出了一种在图像小波变换低频子带上进行直线实时检测的算法。首先,利用小波变换确定显著线特征检测的合适尺度;然后在确定的低频子带小图像上进行边缘检测,利用梯度直方图和迭代法相结合自适应确定边缘检测的分割阈值,得到显著特征的边缘点;再利用改进的Hough变换检测人造目标的直线特征;最后在原始图像上标记出直线检测的结果。实验结果表明:提出的算法可以准确检测出水下复杂背景中人造目标的直线特征,并且具有良好的实时性,满足水下人造目标视频检测的应用要求。