一种自适应码书模型背景更新算法

因背景更新过程中运动信息不足,造成在处理缓慢移动目标和只有局部运动目标时常常发生误判,为解决上述问题,通过提取运动目标的空间整体信息,提出了一种自适应的码书模型背景更新算法.该方法通过对运动目标空间信息变化进行分析,寻找前景中潜在背景,然后联合像素时域统计信息,得到真正的背景模型.实验结果表明,该算法可以快速适应背景变化,能明显减少对运动信息不足目标的误判,同时保证目标检测的完整性.     

全卷积神经网络应用于SAR目标检测

在合成孔径雷达（SAR）图像目标检测中,由于场景杂波的复杂多变,对背景杂波统计模型估计难度增加,从而导致多数检测器容易受到背景杂波的干扰。针对如何避免场景杂波对目标检测干扰的问题,提出了一种基于全卷积神经网络的SAR目标检测模型。该模型将目标检测任务转化为像素分类问题,利用卷积神经网络对数据集中目标像素特征和背景杂波像素的先验信息进行自主学习,有效减少了虚警目标的数量;通过对目标及其阴影区域的联合检测,提高了目标的检测概率。对多个不同场景图像进行测试,实验结果表明提出的检测模型具有良好的检测性能和鲁棒性能,与传统恒虚警检测算法相比,在无需考虑背景杂波统计模型前提下有效降低了虚警概率。     

一种基于运动分析的行人异常行为检测

提出了一种基于运动分析的行为检测方法,用于行人异常行为的检测.利用HSV色彩空间变换法抑制阴影,利用三帧法建立初始化背景模型.将所提取的连续三帧图像的背景像素进行填充融合以实现背景图像的重构,进而更新背景图像,最终完成背景图像的建立.将大津法(Otsu)和背景差分法进行融合以自适应检测前景目标,将目标区域的质心差值、矩...     

融合背景减法和帧差法的运动目标检测

针对背景减法前景目标检测前期存在的“鬼影”,通过统计图像序列中各像素点处像素值的频次,高频次的像素值为背景像素,获得了无运动目标的背景,消除了“鬼影”;对于帧差法检测结果内部易产生“空洞”,在前景判断时增加了新的判决条件,改善了“空洞”问题;对于传统背景减法检测结果存在“拖影”问题,通过背景减法和改进帧差法的检测结果进行逻辑与操作,并将“与”结果作为背景图像更新判决条件。实验结果表明,该算法可以获得精确的背景图像,并且解决了“拖影”、“鬼影”及“空洞”问题,满足实时检测的需求。     

基于分块背景建模的运动目标检测技术

研究了视频监控系统中的目标检测技术,在分析比较几种目标检测算法的基础上提出了一种使用分块处理的方式建立初始背景模型的方法。该方法对视频序列图像中的噪声有较好的抑制作用,并且能够有效地克服因平均而造成背景模糊和阴影残留的缺点。为适应背景变化,在背景更新方法中结合三帧差分寻找像素值变化较大的像素点进行自适应更新。仿真结果表明,在背景减除中使用该方法能够快速、完整、准确地检测出运动目标。     

基于图像分割与特征匹配的目标检测及跟踪

提出了一种静止背景下多运动目标检测与识别跟踪的新方法。该方法将自适应背景差分法与特征匹配算法相结合。首先,利用自适应背景差分法检测出运动目标,然后标记前景区域,提取前景区域的大小和形心作为目标特征,在形心位置特征空间上运用最小距离搜索算法以实现目标跟踪。实验结果证明,该算法对刚体和非刚体目标均能快速、有效地识别跟踪,并且具有良好的鲁棒性。     

基于均值漂移的背景建模方法

介绍了一种从包含复杂运动场景的图像序列中获取理想背景模型的有效方法。通过分析背景建模的若干影响因素为理想背景构建模型。使用非参数化的均值漂移算法寻找背景图像像素值分布最为集中的区域,并且实现背景模型的不断更新。实验结果表明,该方法较传统背景生成算法具有较强的鲁棒性,能够有效实现在复杂场景下的背景建模和目标检测。     

基于码书和纹理特征的运动目标检测

复杂环境下如何进行鲁棒的运动目标检测是计算机视觉领域热门研究课题。本文提出了一种新的码书和高斯局部二值模式(GLBP)的纹理描述的运动物体检测方法,在线学习构建码书纹理背景模型。首先用码书以类似聚类的方式构建每个像素的码书模型,根据码字的颜色和亮度相似性,将背景像素分布用聚类码字的形式表示出来,同时在模型初始化和运动检测阶段不断更新码字以反映背景变化。然后用单高斯模型来学习背景像素变化的概率,生成GLBP纹理算子,同时在线更新GLBP反映图像空间纹理信息变化。最后融合三个特征将当前帧分割为前景背景两部分。通过实验视频表明本方法在实际视频中取得了较好的鲁棒的效果。      

复杂背景下基于贝叶斯-全概率联合估计的前景检测

针对复杂背景下前景提取较为困难或者提取准确率较低等问题,该文提出了基于贝叶斯-全概率联合估计的目标检测模型并引入了背景误差控制变量的概念。通过选择适当的特征向量,在贝叶斯-全概率估计模型下,背景像素将会分为静止与运动两种不同的类型,进而准确提取前景像素点。实验结果表明,该模型是一个较为通用的目标检测模型,在目标提取时,该文算法对各种类型的视频背景环境(包括复杂背景)都具有较好的适用效果。     

长期视频监控系统的多分布模型背景差方法

提出在长期视频监控系统中采用背景差进行运动目标提取时算法所要满足的基本要求，并提出了一种能够满足这些要求的背景差方法。该方法用色度、亮度窨的多个分布模型来建立背景模型，描述彩色视频图像的背景像素点及其统计特性，在对背景模型更新的时将均值、方差的更新速率和多个模型的更替速率分开。对像素值属于多个分布模型的情况，用最小相似距离确定更新的模型。该方法利用提取的前景像素点信息反馈以检测光强的突变，利用亮度信息消除运动目标的阴影。实验证明该方法很好的满足了长期视监控系统的要求。     

基于背景模型的车辆目标检测

为了实现对交通车辆快速准确地统计,文中提出一种自适应权值的背景更新方法以适应道路环境的复杂变化.首先在多个通道建立单高斯背景统计模型,然后利用场景中像素的概率分布实现对运动区域的准确检测,最后根据检测结果实现对交通流量的统计.实验结果表明:该方法能够对运动车辆进行快速准确地检测和统计,并对场景的光照变化等影响具有较高的鲁棒性.     

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.     

基于特征融合的背景差分改进算法

背景差分法可完整快速地分割出目标图像,但其在背景扰动与光照变化等情况下检测效果不佳。文中提出一种基于特征融合的背景差分改进算法。该算法将时空局部二值模式纹理特征以及颜色特征相融合,同时考虑两特征的置信度和相似性得分得出背景概率,继而进行前景分割,并将当前检测出的背景像素用于背景模板更新,以便更好地解决复杂背景下的目标检测问题。实验结果表明,新算法的检测效果优于其他同类算法,在保持背景差分算法鲁棒性与复杂度的同时,在背景扰动与光照变化等情况下表现出了良好的检测效果。     

一种新型的视频序列运动目标检测方法

针对传统运动目标检测方法的不足,提出一种新型的背景减法和背景更新相结合的运动目标检测方法。在该方法中,首先应用动态阀值背景减法能很好地弥补固定阀值背景减法容易造成误判的不足,实现绝大部分运动像素的提取;接着基于双阀值计数的局部背景更新策略能及时更新背景,克服传统背景更新方法的缺点;最后运用多次形态学处理去除各类噪声,并起到磨光图像边缘的效果。实验结果表明,所提出的新方法运算复杂度低,能够在复杂的背景环境下很好地检测出运动目标。     

一种基于自适应背景预测的红外弱小目标检测方法

针对目前典型的基于背景预测的红外弱小目标检测方法中无法较好消除噪声的问题,提出了一种基于自适应背景预测的红外弱小目标检测方法。该方法不同于传统方法,在对红外图像进行背景预测时,不仅考虑邻域内像素点的灰度值,同时还通过自适应处理的方法将待预测像素点灰度值也考虑其中,能有效改善低信噪比下红外图像弱小目标的检测性能。通过大量的仿真数据对本文和传统方法进行了对比和分析,证明了该方法的有效性和优越性。     

野外复杂背景下红外图像的目标检测

野外复杂背景下红外图像序列目标检测是红外野外监视中的重点问题。大量的背景物增加了目标检测的难度。文中针对野外复杂背景下红外图像序列的特点,提出了一种实用的运动目标检测算法。该算法包括两个处理步骤：首先,在场景配准后利用帧间差图像提取目标的运动信息,并据此进行目标的粗检测;其次,合目标运动在时间和空间上的相关性进行精检测。粗检测的低漏判度和精检测的低误差率保证了算法的可靠性。在检测的同时算法确定了目     

INFRARED SMALL TARGET DETECTION ALGORITHM BASED ON SELF-ADAPTIVE BACKGROUND FORECAST

A background forecast filter is presented to detect a small target under an infrared (IR) nature scene. By calculating the correlation of image pixels, the background around the small target could be forecasted. Subtracting the forecast background from original scene, the small targets would become outstanding. Experimental results show that the algorithm proposed has better performance with respect to probability of detection and less computation complexity.     

改进的道路背景提取与更新算法

背景检测在车辆检测中起着至关重要的作用,为此,提出了一种改进的道路背景提取和更新算法.通过统计一段时间内相邻帧的变化程度,结合历史状态与当前状态的差异来分析持续不变区域的特征,可以有效改善环境复杂时背景提取困难的情况,而且通过图像分块和拉伸及快慢变化的处理可以有效地消除光照和噪声的影响.实验证明该算法可以很好地适应于情况较为复杂的路况,准确性较高,并且实时性较好.     

基于场景感知的运动目标检测方法

背景减除法是一种主要的运动目标检测框架,但在复杂环境中构建一种初始模型建立周期短、可靠性高、鲁棒性好的模型仍是一大难题.本文从场景感知的角度出发,在背景减除框架的基础上提出一种目标检测方法.该方法根据前两帧中稳定的结构信息感知背景中潜在的前景区域,在第二帧建立初始模型时利用最近邻域背景像素点代替可能的前景像素点,提高了初始模型可靠性;结合颜色信息和二进制特征提出了像素点二级分类判决机制,并通过感知像素点邻域内的纹理复杂度自适应调整局部判决阈值和更新频率;在模型更新阶段提出处理误判的反馈机制.在公开视频序列上同几种流行检测算法的实验对比结果证明了本文算法的有效性和优越性.