基于视频序列的运动目标检测

为了能够在数字视频系统中实时的检测出运动目标,提出了一种基于序列图像的运动目标实时检测方法.采用了改进的基于自适应背景提取与自适应阈值分割的背景差分方法提取运动区域,同时使用高斯滤波及形态学滤波消除噪声等,改善了对运动区域的提取效果.实际工程实践证明,该方法可以准确、有效的完成运动目标分割,经统计,检测准确率在95%以上.     

利用改进的背景差法进行运动目标检测

为了更准确地划分运动目标和背景区域,提出了基于背景差法的改进算法。该算法将选择更新法与中值滤波法相结合,对背景建模与阈值选取进行了优化,解决了复杂场景背景建模不理想问题,并能快速有效地进行背景更新。该算法还提出了双阈值思想,根据场景信息自适应地在图像的不同区域采用不同阈值,将当前帧图像与背景图像的差分作为反馈来调整阈值。实验结果表明,该算法能够较快速准确地提取运动目标,并对光照变化、场景变化、运动干扰有较好的鲁棒性。     

基于序列图像的复杂背景下字符识别技术研究

针对舰船模型其横摆度与纵摆度量的检测问题,研究了一种基于序列图像的复杂背景下字符识别方法用以检测舰船模型的摆度量。首先利用背景图像相邻区域灰度值变化缓慢的特性,采用高斯低通滤波算法对图像背景进行实时更新;其次提出了一种基于差分图像统计信息的自适应阈值分割算法,用以消除光线和环境的变化对背景的影响;最后研究了基于改进扫描线算法与模板匹配算法的字符识别算法。实验结果表明,研究的算法可以在不同光照情况下完整、快速地识别出舰船模型上印刷的字符,完全可以用于摆度量的检测,具有较大的实用价值。     

一种基于灰度相关性的背景更新算法

视频运动目标检测常用的方法是背景差分法,而背景差分法的关键是如何从视频中建立背景模型。IIR滤波器背景更新算法是采用较多的一种背景更新算法,但仍存在一些不足,因此,本文提出了一种基于灰度相关性的背景更新算法,并使用差分图像像素均值法获取阈值对图像进行分割,用基于形态学及连通性分析法对检测目标进行后处理。实验结果表明:该算法能够实得到的背景帧较为理想,能对运动目标进行准确的检测,具有很好的鲁棒性。     

视频监控的目标检测研究

为了实时准确的提取出运动目标,提出了一种基于帧问差分的背景重建算法及基于运动前景的背景更新算法。该算法先对摄像头采集的视频序列进行帧间差分背景重建,通过自适应阈值的背景减法得到运动前景,并分辨出运动目标和伪运动目标,然后进行区域性背景更新。当背景发生整体或局部变化时,该算法能够快速地检测出背景变化,并采用相应算法实时更新背景。实验结果表明,该算法能快速、准确地重建出背景,从而能够完整地提取场景中的运动目标。     

基于时空运动信息的药液异物自适应分割算法

为了能够从药液视频序列图像中准确地提取出运动异物对象,提出一种基于帧差图时空运动信息的药液异物模糊自适应阈值分割算法。首先通过4帧序列图像的隔帧差分得到2幅差分图并分别划分为5×5的图像块;然后计算对应图像分块的4阶矩以实现异物的运动信息提取;最后采用自适应阈值依据帧差图对应图像块的4阶矩之差实现运动异物的分割,并经过形态学处理去除掉噪声和空洞。为使阈值能够跟随图像块灰度变化,阈值的调整采用模糊推理依据对应块灰度均值差和方差变化自适应实现。实验及实际测试结果表明,本文所提算法较好地满足了低对比度和局部光照变化的药液异物实时检测要求,是一种实用有效的图像分割方法。     

基于帧差法和自适应阈值区域生长的红外运动目标检测

针对具有背景干扰、信噪比低的红外图像,提出了一种基于帧差法和自适应区域生长的红外运动目标检测方法.首先对红外图像进行了高帽变换,以抑制大面积背景的干扰,相邻帧图像间做帧差,初步提取目标区域;其次分析了红外目标的特性,针对其特性提出了一种基于灰度等级的自适应阈值分割方法;最后以帧差法检测的目标质心为种子点,以自适应阈值为分割准则,在预处理后的图像中进行区域生长,最终实现了红外运动目标的检测.结果表明,所提算法可抑制大面积背景的干扰,实现单个和多个红外运动目标的完整提取和检测.     

一种改进的自适应背景建模视频分割方法

针对传统的自适应背景建模难以解决背景复杂以及外界光照变化等因素影响视频分割质量的问题,提出了一种改进的自适应背景建模视频分割方法。该方法首先对彩色图像建立高斯背景模型,然后对背景模型进行更新,最后通过对高斯分布准则进行改进使前景目标分割性能得到提高。仿真实验表明,该方法能够准确建立背景模型,准确分割前景目标,较传统算法具有更强的鲁棒性。     

基于光照不变性模型的运动目标检测新算法

运动目标检测有两大难点,即光照变化的影响,阴影对运动目标准确提取的影响。高志伟等人提出了基于彩色边缘的运动车辆检测,实现了复杂背景下的运动目标检测,但该方法无法消除阴影的影响。为了克服光照及阴影的影响,提出了基于一维不变性图像的背景模型,更新了最小熵投影角度,设计了运动目标检测的新算法。以交通运输领域为例,将本文算法和多层前景算法、边缘检测算法做了对比,通过实验验证了该方法在检测运动目标时能够克服光照变化影响,并有效抑制阴影。     

基于自适应阈值的前景提取算法

针对固定场景视频监控中运动目标提取的问题,提出了一种基于自适应阈值的前景提取方法。该算法通过混合高斯模型(GMM)对背景建模及更新,利用自适应阈值的方法,实现了模型门限的自适应调整和前景目标的分割。然后通过阴影抑制,滤波以及形态学处理的方法对前景目标进行后处理,改善了前景目标分割的质量。通过对不同场景的测试仿真表明,该算法能够有效地并且比较完整地提取出运动目标。     

基于区域统计及YUV色度特性的阴影消除

基于阴影区域统计及YUV色度特性,提出一种鲁棒的运动阴影检测方法。首先,在待检测像素点邻域划分小区域,利用小区域内光照条件基本相同、阴影近似线性地降低背景亮度的属性,估计出背景的亮度;接着,与混合高斯模型(GMM)得到的背景相减,统计差值图像的加权方差,作为判定阴影的特征;最后,依据邻域光照变化率不变性与YUV色度差异进一步消除误判阴影点。经多个室内外的经验数据集实验表明,该方法阴影检测率高,前景空洞少,且有较强的抗干扰能力。     

基于区域特征的视频序列人脸快速检测

提出了一种基于区域特征的快速人脸检测算法.采用瞬时差分和背景差分获取并跟踪运动目标.消除了运动目标引起的背景模型更新误差.在检测到的运动目标区域内.通过基于区域特征的马赛克三分图模型检测人脸区域,并利用频率直方图方法合并所检测区域,最终获得人脸位置.实验结果表明,平均检测时间为30ms/帧,检测准确率可达95.7%,算法复杂度低、检测效果好,适合各类视频图像的人脸实时检测.     

周扫条件下的红外运动目标检测

针对周扫条件下的运动目标检测出现的问题,提出了多种解决办法,并从中选择最优方案。首先根据系统红外图像特点,使用投影匹配法进行图像配准;然后针对现有运动检测算法中存在的问题,结合帧间差法和经典自适应背景差分法的优点,提出一种基于分级自适应背景差分的运动检测方法,使得伪运动目标明显减少;最后针对剩下的伪运动目标,借鉴图像配准方法,提出了一种基于最小平均灰度差判定真假运动目标的方法,有效剔除了伪运动目标。实验结果表明所提出的算法能快速有效的解决周扫模式所带来的各种问题。     

一种基于梯度和Vibe算法的运动检测算法

针对运动检测算法在动态背景下准确性不高的问题,提出了一种基于梯度图和改进后的Vibe算法相结合的运动检测算法.该算法首先利用Sobel算子计算出梯度图,然后采用Vibe算法与三帧差分法相融合的方法对梯度图进行检测,获取运动目标.该算法改变了传统的以原始图像来构建背景模型的思想,提出了用梯度来构建背景模型,有效地改善了运动检测中的误检问题.实验结果表明,与GMM(高斯混合模型)、Codebook相比,该算法在静态背景和动态背景下实时性和准确性都较好.     

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DSP的无背景模型车流量检测

针对车流量检测中遇到光照变化、树阴、树枝摇动等一系列问题,在运动物体法,背景建模法和时间差分法的基础上,提出了一种基于DSP的无背景模型的新型车流量检测方法。笔者依次使用基于块的帧差法、双重前景融合法、基于纹理对象分割法、假前景滤波法对车流量进行检测。经实验验证,采用无背景模型算法能成功有效地检测车流量,检测准确率达88%,提高了车流量检测的精度。     

运动目标检测与跟踪算法的改进与实现

提出了一种对视频图像中运动目标检测并进行实时跟踪的新方法。该方法利用基于背景建模的背景差分与改进的带时间戳的运动历史图像(tMHI)的目标分割相结合的算法对运动目标进行检测,在获取到视频流中的运动目标轮廓后使用基于tMHI的运动梯度算法来实现运动目标的跟踪。实验结果表明,该方法能够对指定区域内的目标进行有效识别和准确跟踪,并且弥补了运动目标暂时性停止时无法检测出来的不足。     

空域视频场景监视中运动对象的实时检测与跟踪技术

本文分析了空域视频场景中运动对象实时检测、跟踪系统的模型。提出了一种在运动背景下实时检测与跟踪视频运动目标的技术。该方法首先进行背景的全局运动参数估计,并对背景进行补偿校正,将补偿校正后的相邻两帧进行差分检测。然后利用假设检验从差分图像中提取运动区域,利用遗传学方法在指定区域内确定最优分割门限,提取视频运动对象及其特征;最后利用线性预测器对目标进行匹配跟踪。在基于高速DSP的系统平台上的实验结果表明该方法取得了很好的效果。     

物体融入背景情况下的目标检测方法

针对运动物体运动进入背景区域后,由运动变为静止,成为背景一部分的情况下,传统利用当前图像和背景图像加权得到新的背景图像的方法,背景图像更新较慢,不能快速消除变为背景的物体的影响,提出了帧差法和背景差法相结合的运动目标检测方法,较好地消除了其影响,顺利检测出运动目标,提高运动目标检测方法的适用范围。