相机抖动场景中数据驱动的背景图像更新算法

视频序列中的运动目标检测是计算机视觉领域的重要研究课题.背景减除是运动目标检测的有效方法,但相机抖动会对背景提取带来极大干扰,从而可能造成传统基于模型的图像处理方法模型失真.本文提出了相机抖动场景下前景图像提取的数据驱动背景图像更新控制算法.首先利用Harris特征检测进行背景补偿以消除抖动干扰.然后利用无模型自适应控制方法,建立单入单出控制系统来表示背景图像并进行实时更新.最后运用背景减除法提取运动目标前景图像.本文方法与传统基于模型方法进行了不同视频序列的对比仿真.实验结果表明,本文方法可以有效处理相机抖动场景下的运动目标检测问题,目标前景图像分离效果更加接近真实场景.     

高速公路动态环境下的摄像机自标定

提出一种动态环境下高速公路监控系统摄像机的自标定方法.首先利用混合高斯背景建模方法从动态视频图像中获取背景图像和目标频繁出现的目标区域;然后利用不同的直线检测算法检测和估计出目标区域内高速公路上大量存在的各种标志线和虚标志线以及水平线,基于这些线状特征计算出摄像机的灭点;最后根据灭点和线特征之间的几何关系计算出摄像机的内外参数,从而实现摄像机自标定.真实场景的实验结果表明,该算法非常合适于各种高速公路监控系统中摄像机的实时自标定,且精度高、稳定性好.     

码本检测智能视频监控系统的设计与开发

针对视频检测算法在复杂场景下的检测识别率不高的缺陷,在基于码本的监控视频运动目标检测算法的基础上,利用检测算法对运动目标进行提取以分析出视频图像中的变化,以此判定监控目标的变化,从而构建一种实际的智能视频监控系统。     

结合特征图谱学习的人数统计方法

针对实际公共场景视频的人数统计中存在的背景干扰、光照变化、目标间遮挡等问题,提出一种结合特征图谱学习和一阶动态线性回归的人数统计方法。首先,建立图像的尺度不变特征变换（SIFT）特征与目标真实密度图之间的特征图谱映射模型,利用SIFT特征和前述映射模型得到包含目标和背景特征量的特征图谱;然后,根据通常监控视频中背景变化较小、特征图谱中的背景特征量相对稳定的特点,由特征图谱的积分与真实人数通过一阶动态线性回归建立人数回归模型;最后,通过该回归模型模型得出估计人数。在数据集MALL和PETS2009上进行实验,实验结果表明：与累积属性空间方法相比,所提方法平均绝对误差降低了2.2%;与基于角点检测的一阶动态线性回归方法相比,其平均绝对误差降低了6.5%,平均相对误差降低了2.3%。     

基于双阈值的运动阴影检测算法

提出了一种应用于视频图像中运动阴影的检测方法.首先用统计方法建立的背景图像和当前帧图像进行差分;然后采用双阈值对差分图像进行分割,把图像分为背景区,运动区和运动目标与目标阴影的混合区.再利用阴影的位置特征,把阴影分离出来.实验结果表明,该方法能有效检测、去除对监控场景中运动目标的阴影,具有较好的鲁棒性和实时性.     

摄像机运动的视频图像分割

通常所研究的视频图像序列是由摄像机对真实场景的拍摄形成的.在拍摄过程中摄像器件会发生缩放、旋转、平移等运动,当视频中的分割目标也在运动时,就会导致运动目标在图像上造成的变化与背景本身的变化混淆在一起,很难区分出哪个是前景,哪个是背景.在这种情况下如何精确地实时分割出运动目标成为研究的重点.采用时空联合的分割方法,先对视频图像进行空域单帧分割,采用形态学重建对图像进行处理,通过分水岭算法,得到精确的分割效果;根据图像序列间的运动信息,采用背景运动估计和补偿技术,以6参数仿射模型为运动模型,通过超松弛迭代获得仿射模型参数,取得了较准确的运动估计结果.通过全局运动补偿,对当前帧与补偿帧进行差分运算显露出局部运动区域.在此基础上对已有的分割结果进行区域合并,分割出运动目标.实验证明,本算法能准确实时地分割出运动目标.     

运动目标检测中基于灰度特征模型的背景消除方法

针对视频监控中运动目标检测时间复杂度高的问题,提出一种基于灰度特征模型的背景消除方法。通过提取视频图像像素的灰色特征,将视频图像中每个位置上的像素点用一个灰度特征集合来表征,并以此为依据计算各像素点灰度值与灰度特征集合中的像素点灰度值之间的距离,判别对应像素点的背景与前景状态,从而实现视频图像的背景消除。实验结果表明,该方法在处理效果接近的情况下,可以显著提升运动目标的检测速度,降低处理的时间复杂度。     

基于背景分类的运动目标检测算法

针对光线暗、对比度和分辨率低的监控视频,提出了一种基于背景分类的运动目标检测算法。 首先用视频第一帧图像HSV空间的色度H和亮度V作为背景特征进行初始化,建立两种包含色度和亮度特征的背景模型类,即初始化得到的原始背景类和受光照或者其他因素影响得到的在原始背景周围波动的背景波动类,利用这两个背景模型进行前景检测和背景更新。为提高前景检测的准确率,背景模型的更正加入背景更正机制和权重机制,使得背景中样本的数量根据背景的实际情况处在一种动态的变化中,提高前景分割的效率。用不同场景下的监控视频进行算法对比实验,结果证明,该算法获得的前景完整清晰,视频处理的速度较快。提出的算法简单实用,对噪声干扰表现出良好的鲁棒性。     

基于视频图像的运动目标检测与识别

运动目标检测是场景监控的核心技术,而目标的阴影在很大程度上影响了目标的形状,干扰了真实目标的检测.本文提出以混合高斯模型为基础,利用背景差分法获得目标图像,将亮度,色度信息和归一化互相关函数的阴影检测法相结合对视频图像的阴影进行消除,并用形态学的方法对检测结果进行处理,实验证明该方法是可行的和有效的.     

分布式网络信息数据防篡改方法研究

为在足球视频中有效的检测与跟踪运动目标,需要对足球比赛视频中目标检测与跟踪算法进行研究。当前采用的算法,在动态场景中,存在运动目标检测与跟踪效果不佳的问题。为此,提出一种基于OpenCV的足球比赛视频中目标检测与跟踪算法。该算法结合平均背景算法将足球比赛视频中目标图像分割为前景区与背景区,计算足球比赛视频每一帧目标图像和背景图像之间差值的绝对差值,同时计算每一个目标图像中像素点的平均值与标准值来建立目标图像背景统计模型,利用TMHI算法对足球比赛视频中目标初始图像进行阈值分割,得到初始分割图像,对分割图像进行中值滤波和闭运算,再使用卡尔曼滤波对分割后的目标图像进行处理,得到镜头中目标的质心位置和目标外界矩形框,然后对足球比赛视频中目标进行跟踪。实验证明,该算法有效的检测与跟踪足球视频中运动目标。     

Video image target monitoring based on RNN-LSTM

Traditional image object classification and detection algorithms and strategies cannot meet the problem of video image acquisition and processing. Deep learning deliberately simulates the hierarchical structure of human brain, and establishes the mapping from low-level signals to high-level semantics, so as to achieve hierarchical feature representation of data. Deep learning technology has powerful visual information processing ability, which has become the forefront technology and domestic and international research hotspots to deal with this challenge. In order to solve the problem of target space location in video surveillance system, time-consuming and other problems, in this paper, we propose the algorithm based on RNN-LSTM deep learning. At the same time, according to the principle of OpenGL perspective imaging and photogrammetry consistency, we use 3D scene simulation imaging technology, relying on the corresponding relationship between video images and simulation images we locate the target object. In the 3D virtual scene, we set up the virtual camera to simulate the imaging processing of the actual camera, and the pixel coordinates in the video image of the surveillance target are substituted into the simulation image, next, the spatial coordinates of the target are inverted by the inverse process of the virtual imaging. The experimental results show that the detection of target objects has high accuracy, which has an important reference value for outdoor target localization through video surveillance images.

     

基于WiFi的分布式监视场景拼接系统

随着数字化信息技术的不断发展,监视系统已经成为各行业领域中的重要应用.随着WiFi等无线技术的发展,实现了视频数据的无线传输,因其特有的便捷性将传统的有线监视系统取而代之.图像拼接是目前图像处理的一项热门技术,将两幅或者多幅具有重叠区域的图像拼接成一幅无缝隙高分辨率的图像.本论文结合WiFi无线技术和图像拼接技术的优势,提出了基于WiFi的分布式监视场景拼接系统,多个客户端采集的图像通过WiFi无线网络传输到服务器,服务器对传输过来的图像采用SIFT算法和RANSAC算法完成拼接,最终实现了宽场景监视.实验结果表明该系统可以有效地实现监视场景拼接.     

Efficient FPGA implementation of homodyne-based time-of-flight range imaging

Time-of-flight range imaging systems illuminate a scene with an amplitude-modulated light source, the light is reflected from objects in the scene, and measurement of the phase of the modulation envelope is performed to determine the object’s distance. As the image sensor is capable of performing this task for every pixel simultaneously, acquisition of the entire scene can be performed at rapid (video) update rates, making the technology ideal for real-time applications. In this paper we present an efficient real-time FPGA algorithm for determining phase, and hence distance, from the raw image sensor output. The algorithm has been implemented on a range imaging system based on the PMD19k-2 image sensor, with range processing performed in real time by a Stratix III FPGA. The scarcest resource in this implementation is RAM, and an analysis is presented to maximise the efficiency of this resource whilst maintaining acceptable processing accuracy. The algorithm can be extended for processing multiple simultaneous modulation frequencies. An efficient method for combining these results to determine unambiguous range, based on the Chinese remainder theorem, is also presented.     

基于DC系数和运动矢量的快速场景分割算法

场景分割技术是动态视频分析和基于内容的视频检索的基础，以检测出来的场景作为基本单元，可以进一步对视频内容进行分析和建立索引．本文旨在提出一种基于MPEG压缩视频流的场景分割算法，利用MPEG数据流中已有的DCT DC系数和运动矢量，来检测场景的变换，从而实现场景分割，针对实际视频流中场景突变和渐变两类变换．本文提出两种方法分别处理不同情况，对于突变检测，该算法可以定位到帧，由于该算法进行最小程度的解码，降低了计算复杂度，因而大大提高了检测速度．     

多分辨率下资源感知的图像目标自适应缩放检测

边缘视频处理可以降低云平台视频处理系统的视频传输时延、视频处理开销和存储成本,但是视频参数(分辨率、帧率等)的多样性容易导致边缘视频处理的效果不尽人意。通常,在图像预处理阶段会先对图像进行缩放变换再进行后续处理,以保障图像处理的最佳效果,但是在视频监控等具有不确定性的场景中对所有分辨率的图像直接成倍缩小容易降低目标检测率。基于以上问题,把图像水平像素点和垂直像素点的缩放倍数记作图像缩放因子,对于不同分辨率的视频数据,分析了图像缩放因子对视频数据处理效果的影响,提出了图像缩放因子动态设置方案。该方案以系统性能指标(服务器端系统功耗和内存使用率)为视频处理性能指标(人脸检测率)的约束条件,获取该分辨率下人脸检测率最优时对应的图像缩放因子。实验结果表明,对于不同分辨率的视频数据,图像缩放因子动态设置方案可以在保证视频处理性能的基础上,减少系统功耗和内存使用率,提高视频处理效率。     

一种新型的嵌入式智能图像传感器设计

提出并设计一种新型的嵌入式智能图像传感器,该传感器具备一定的室外场景(主要为道路和公共场所)状态感知能力,适用于分布式智能视频监控系统.本文采用基于统计学习的方法实现了运动前景图像检测和阴影消除,并在此基础上完成运动目标行为分析,实现了关键区域保护、监控目标移动检测以及镜头遮挡保护等智能视频监控功能.本文所设计的视觉分析算法适用于复杂的室外环境,适合于实时计算.在算法的实现中充分利用了该嵌入式智能图像传感器硬件设计的优点,在实验中取得了良好的效果.     

基于FPGA的运动目标实时检测系统设计

目标识别是智能安防监控视频处理系统中重要内容,为了满足安防系统小型化实时性等应用需求,本文设计了一种基于FPGA平台的运动目标识别系统。该系统采用 CMOS摄像头作为视频采集器,SDRAM作为视频流缓存及存储介质,FPGA对视频流进行灰度化和帧差法算法处理,并将结果传输至显示器终端,从而实现图像采集和目标识别跟踪和显示。测试结果表明,本系统在一定测距范围内可有效稳定地跟踪运动目标物体,可进一步应用于安防领域中。     

基于动态阈值的视频场景切换检测

视频场景切换检测在视频处理领域十分重要,优秀的视频场景切换检测算法对于视频的后续处理,包括信息标注与特征提取等都具有很大的意义.本文以传统的图像处理方法为基础,结合ORB (oriented FAST and rotated BRIEF)快速特征描述子,分别实现图像的相似度估计.通过动态融合因子,将多种基本算法得到的相似度在完整算法中的价值量化,并根据邻帧相似度计算动态阈值,从而提高了算法的稳定性;另外通过流程规划,减少了算法中耗时长的部分的调用次数,最终实现了高效的视频场景切换检测.实验结果表明,视频场景切换检测的准确率有一定程度地提升.     

基于融合的夜间视频图像增强算法

夜晚条件下,能见度低,光线不足等问题导致夜间图像亮度通常很差而且亮度不均匀,从而影响图像质量。首先采集针对同一场景的白天图像,然后再将实时夜间视频进行高斯背景建模,提取出运动目标并将该夜间图像进行增强,对增强后的夜间图像和白天图像进行小波分解,然后用加权融合算法进行融合得到最终的背景图像,将最终的背景图像进行小波反变换,反变换以后的图像与提取出的目标叠加就得到增强后的图像。增强后的图像场景清晰,图像整体上自然、平滑、细腻,算法有效地提高了夜间图像的质量。     

基于改进特征跟踪的客流量统计

为实现多目标的精确跟踪,提出一种基于视频客流量的跟踪计数方法。利用图像差分法提取运动目标,对差分图像进行形态学处理,使用连通域分析创建人体结点,得到目标的形心,采用向前优先搜索像素点的原则搜索下一帧图像的所有像素点,通过搜索到的像素点确定目标的新中心位置,根据目标中心与计数线的关系进行计数。实验结果表明,该方法简单可行,统计数据具有较高的正确率。