光照突变补偿在视频序列运动目标检测中的应用

针对光照突变情况下视频序列运动目标检测精度低、误检多等问题,提出一种结合光照补偿的检测算法。算法利用色差不变量提取稳定的背景区域,并结合历史前景信息判定光照突变程度。采用对角模型补偿光照突变的图像序列,对全局与局部光照突变分别运用区间估计与码本聚类方法计算补偿参数,最后利用背景减除法实现运动目标的检测。与典型算法进行对比的实验结果表明,本文算法具备较高的检测精度与稳定性,适用于动态场景中的运动目标检测。     

基于角点的动态背景下运动目标检测算法改进

由于动态摄像机行为造成了背景模糊等问题,结合角点矩特征的全局运动估计算法,将最大类间方差法引入RANSAC估计算法,对常用的RANSAC算法进行改进。在目标检测过程中,利用基于差分相乘原理的运动目标检测算法实现了运动目标的检测定位。针对获取到目标位置的后续帧序列的目标检测,提出了基于改进的奇异值分解的角点匹配的运动目标检测算法。实验表明,提出的算法对于背景发生变化的场景,能达到较好的背景运动补偿效果,在随后测量的动态背景状态下,可以准确检测后续帧序列的运动目标,并且具有良好的鲁棒性。     

基于改进混合高斯背景模型的车辆检测算法研究

传统的混合高斯背景模型对光照突变十分敏感,对运动车辆检测效果不理想。为此,本文提出了一种基于改进混合高斯背景模型的车辆检测算法,利用不匹配像素来消除光照突变对背景建模产生的影响。实验结果表明,与传统的混合高斯背景模型算法相比,在光照突变明显的条件下,改进后的算法更能有效检测出运动车辆。     

基于混合高斯模型的运动目标检测

针对现有方法在复杂的环境下不能很好地检测出运动物体的问题,提出了一种改进的基于混合高斯模型的背景消减法检测运动目标。改进了背景模型的更新算法,提高了背景更新速度。利用帧间差分法消除了运动影子和光照突变问题,并采用（r,g,l）颜色空间检测和抑制了运动阴影。实验结果表明,该算法能很好地提取出运动目标。     

复杂背景下的运动目标检测方法

提出了一种复杂背景下的运动目标检测新方法,利用仿射变换进行全局运动估计,并利用双线性内插进行背景补偿,然后采用3帧对称差分相乘的方法增强运动目标的像素点,拉大目标与背景残留噪声的差异,最后利用区域生长法进行目标分割。用复杂的城市交通序列图像进行测试,并与经典的动目标检测算法进行对比,说明了算法的有效性。     

基于图像融合的空间运动目标检测算法

文中提出了一种结合背景减除法和瞬时差分法在图像序列中检测运动目标的算法．算法利用瞬时差分法得到当前图像中运动目标的轮廓信息,在更新背景模型时不更新运动目标轮廓内区域,避免了由运动目标引起的背景模型更新误差．实验结果表明,该方法可以实现静止背景下图像序列中运动目标的检测,具有实时性,并能得到较好的检测结果．     

航拍图像序列的地面运动目标跟踪

建立了一套针对航拍图像的运动目标跟踪系统。根据航拍图像序列存在背景运动的特点,运用了一种基于稀疏采样的局部补偿误差函数泰勒展开法, 求得背景模型参数,补偿背景运动; 根据背景运动矢量和目标运动矢量不同的特点, 采用了运动矢量聚类的算法, 对多个潜在目标准确定位,并建立跟踪器找出真实目标进行跟踪。针对图像匹配可能产生的误差, 提出对匹配结果进行聚类, 以提高求得的背景模型参数的精确性, 又针对差分图像中运动目标信息的不完整的特点, 根据目标残缺信息先取得目标完整边缘信息, 再进行目标定位, 提高了定位的精度, 并给出了部分实验结果。结 果表明, 该算法对噪声和光照具有很强的抑制性, 能快速有效地对运动目标进行跟踪。     

一种改进W4算法的运动目标检测研究

针对经典W4背景建模算法只能克服光照强度的微小变化以及背景的轻微运动等问题,提出了一种新的运动目标检测算法。首先,利用均值法进行背景初始化选出静止像素集合,消除背景中运动目标的干扰;其次,给定背景初始帧,用经典W4算法计算出每个像素点的最小灰度值、最大灰度值以及最大帧间差分值;然后,对每个像素点提取的最小灰度值和最大灰度值进行线性加权,并且与均值法得到的初始背景相结合建立稳定的背景模型,克服了移动、阴影、光照突变等影响;最后,比较当前帧与背景模型从而检测出准确的运动目标。实验证明,与其它均值法、经典W4算法以及混合高斯背景建模方法相比较,改进方法不仅耗时短而且取得了较为理想的检测效果。     

航拍图像序列的地面运动目标跟踪

建立了一套针对航拍图像的运动目标跟踪系统。根据航拍图像序列存在背景运动的特点，运用了一种基于稀疏采样的局部补偿误差函数泰勒展开法，求得背景模型参数，补偿背景运动；根据背景运动矢量和目标运动矢量不同的特点，采用了运动矢量聚类的算法，对多个潜在目标准确定位，并建立跟踪嚣找出真实目标进行跟踪。针对图像匹配可能产生的误差。提出对匹配结果进行聚类，以提高求得的背景模型参数的精确性，又针对差分图像中运动目标信息的不完整的特点，根据目标残缺信息先取得目标完整边缘信息，再进行目标定位，提高了定位的精度，并给出了部分实验结果。结果表明，该算法对噪声和光照具有很强的抑制性，能快速有效地对运动目标进行跟踪。     

分块投影匹配的运动目标检测方法

针对动态场景下图像序列中运动目标检测问题,首先采用基于分块投影匹配的全局运动参数估计方法,然后利用估计得到的运动参数补偿背景的全局运动以稳定图像序列,最后在稳定后的图像序列上采用背景减除法提取运动目标。实验表明,分块投影匹配的运动目标检测能有效地提取动态背景下的运动目标。     

运动人体轮廓检测算法的分析与改进

在视频序列的人体运动分析中,实时分割出运动的人体,是研究的关键步骤。为了克服不均匀光照、前景运动缓慢、背景中存在摇摆的树叶等因素对检测带来的影响,提出了一种背景减除法与帧间差分相结合的运动目标检测方法。该方法首先通过基于帧差法的背景模型建立方法建立背景图像,再结合背景减除与带有权值的帧间差分检测运动目标,降低目标物体对速度和环境干扰的敏感性。最后通过形态学梯度运算操作消除外界噪声的影响。实验结果表明,本文提出的算法计算简单,对环境适应能力较强,是一种有效的运动人体检测方法。     

基于帧间差分法和VIBE算法的运动目标检测

针对运动目标在视频序列检测时易受各种因素干扰的问题,采用TI公司的TMS320DM6446作为系统图像处理器,提出了一种基于帧间差分法和VIBE算法相结合的运动物体检测方法,并在DM6446硬件平台上实现。实验表明,在室内场景背景下,系统在满足实时性情况下能够克服光线变化等因素的干扰,准确地检测出运动目标,现场试验取得了良好的效果。     

一种新的自适应背景建立与更新算法

针对视频监控系统中的动目标检测问题,提出了一种新的自适应的背景建立与更新算法。能够从含有运动目标的初始背景中,通过短时间的训练得到理想的背景,可以大大减轻系统的存储负担。实验表明算法能很好地适应光照的缓变和突变,具有较强的鲁棒性。     

一种视频序列中背景亮度闪烁消除新算法

拍摄场景存在运动对象时,视频相机的自动曝光功能可能引起视频序列背景亮度闪烁,针对此问题,提出一种视频序列中背景亮度闪烁消除新算法。该算法找出视频序列中的亮度参考帧,使用最小二乘法确定出当前帧和参考帧之间的背景亮度响应函数,使用亮度补偿的方法消除背景闪烁。实验结果表明,该算法可以有效地消除由于前景物体的运动而引起的背景亮度闪烁现象,用于编码传输时可以节省20%~30%的比特率。     

基于自适应背景图像更新的运动目标检测方法

在运动目标的实时检测中常用的方法是背景图像差分法,但因其缺乏背景图像随监视场景光照变化而及时更新的合理方法,限制了本方法的适应性.对此,本文首先提出了一种基于光流场等技术的自适应背景逼近更新方法,并根据彩色差值模型得到差分图像;然后引入Gauss模型实现运动目标的自适应阈值分割.实验结果表明:本文提出的背景更新方法可随着光照条件的变化实时、准确地更新背景图像,在此基础上提出的基于Gauss模型的自适应阈值分割方法可以实现运动目标的完整分割,这为运动目标的后续识别与理解奠定了基础.     

基于混合高斯模型和六帧差分的目标检测算法

鉴于传统混合高斯模型在光照突变、噪声干扰时鲁棒性不高,易造成检测错误等问题,提出了一种改进的视频运动目标检测算法。该算法将混合高斯模型与六帧差分算法相结合,构建了一种高效的运动目标轮廓模型,并嵌入背景替换法和动态阈值分割法提高算法的稳健性,通过连通性检测和形态学处理,得到完整的运动前景像素。不同场景的视频检测结果表明,改进算法有效克服了光照突变、噪声干扰、空洞及双影现象,与同类算法相比,具有更高的准确度和鲁棒性。     

Detecting moving object from dynamic background video sequences via simulating heat conduction

Moving object detection is one of the essential tasks for surveillance video analysis. The dynamic background often composed by waving trees, rippling water or fountains, etc. in nature scene greatly interferes with the detection of moving objects in the form of noise. In this paper, a method simulating heat conduction is proposed to extract moving objects from dynamic background video sequences. Based on the visual background extractor (ViBe) with an adaptable distance threshold, we design a temperature field relying on the generated mask image to distinguish between the moving objects and the noise caused by dynamic background. In temperature field, a brighter pixel is associated with more energy. It will transfer a certain amount of energy to its neighboring darker pixels. Through multiple steps of energy transfer the noise regions loss more energy so that they become darker than the detected moving objects. After heat conduction, K-Means algorithm with the customized initial clustering centers is utilized to separate the moving objects from background. We test our method on many videos with dynamic background from public datasets. The results show that the proposed method is feasible and effective for moving object detection from dynamic background sequences.     

基于混合模型的运动目标检测算法

自然界中复杂的环境对视频临控系统有一定的下扰,对运动物体的检测也将产生显著的影响,通过分析光照变化、背景干扰等现象对运动目标的检测的影响,本文提出了一种能适应环境变化的混合模型运动目标检测算法,该算法结合帧间差分法和混合高斯模型算法的优点,将帧差法作为进行高斯背景减法的指导,既能得到较高的灵敏度又能进一步提高检测效果,...     

A self-organizing approach to background subtraction for visual surveillance applications.

Detection of moving objects in video streams is the first relevant step of information extraction in many computer vision applications. Aside from the intrinsic usefulness of being able to segment video streams into moving and background components, detecting moving objects provides a focus of attention for recognition, classification, and activity analysis, making these later steps more efficient. We propose an approach based on self organization through artificial neural networks, widely applied in human image processing systems and more generally in cognitive science. The proposed approach can handle scenes containing moving backgrounds, gradual illumination variations and camouflage, has no bootstrapping limitations, can include into the background model shadows cast by moving objects, and achieves robust detection for different types of videos taken with stationary cameras. We compare our method with other modeling techniques and report experimental results, both in terms of detection accuracy and in terms of processing speed, for color video sequences that represent typical situations critical for video surveillance systems.     

基于光强变化场景的目标检测与跟踪新方法

为在光强变化场景下实现目标的检测与跟踪,研究了一种新方法。该方法综合集成了Vibe算法与粒子滤波算法的优点,通过在改进Vibe算法中引入光照补偿模型、重构粒子滤波模型,解决了2种方法对光强变化的自适应性难题;在局部三值模式(LTP)中建立了一种自适应阈值方法,并采用线性回归分类方法,实现了目标跟踪。通过开发相应程序并将所提新方法的结果与标准结果进行对比验证,验证结果表明：新方法的偏差小于文中其他3个对照方法的相应偏差,该方法对光强变化场景下的目标检测与跟踪研究有一定帮助。