视频图像中的运动目标检测

运动目标检测,是指从视频图像中将运动变化区域提取出来的检测技术,是图像处理技术的基础。在军事公安、交通管理、视频监控、医学检查等领域应用广泛。为了改进单独采用帧差法或背景减法进行运动目标检测时存在的不足,本文提出一种利用边缘信息的三帧差法与基于混合高斯模型的背景减法相结合的运动目标检测算法。该方法对视频图像中连续的三帧图像两两差分,对3个差分图像取均值,二值化,再经过形态学处理,并对中间帧进行Canny边缘提取,将二者进行"与"运算,即得到运动目标的边缘,用背景减法提取中间帧的前景,二值化,将其和目标的边缘进行"或"运算,经过形态学处理便可得到运动目标。实验结果表明,使用该方法目标检出率提高了9.7%~72.1%,误检率降低了0.090%~2.900%。这种二者相结合的方法相对于单一的检测算法能够有效、可靠地提取出运动目标。     

一种新的三帧差运动气泡检测方法

针对传统三帧差法在运动目标检测过程中存在部分 重叠和轮廓不完整现象,提出了一种结合 Kirsch边缘检测和背景差分的改进三帧差法。算法首先对连续3帧图像进行差分得到运动区 域,然后对 当前帧进行Kirsch边缘检测,通过已得到的运动区域与边缘检测结果进行逻辑“或”运算, 获得完整的运动 目标,利用背景帧差分割运动目标并去除噪声。实验表明,提出的方法能够提取更加完整的 目标区域,有 效避免漏检、误检等情况。与现有一些同类算法相比,本文算法具有更优越的运动目标检测 性能。     

一种基于背景减法和帧差的运动目标检测算法

针对帧差分法易产生空洞以及背景减法不能检测出与背景灰度接近的目标的问题,提出了一种将背景减和帧差法相结合的运动目标检测算法.首先利用连续两帧图像进行背景减法得到两种差分图像,并用最大类间与类内方差比法得到合适的阈值将这两种差分图像二值化,然后将得到的两种二值化图像进行或运算,最后利用图像形态学滤波得到准确的运动目标.实验结果表明,该算法简单、易实现、实时性强.     

基于多颜色空间信息融合的运动船舶检测算法

传统的目标检测方法是将图像灰度化,导致很多重要信息丢失,而帧差法与背景减法相结合的检测方法虽然能很好克服单独使用一种方法所产生的问题,但仍存在目标内部不充实现象。针对以上问题,提出一种基于多颜色空间信息融合的三帧差分法与背景减法相结合的运动船舶检测算法。该算法首先利用帧差法和背景减法原理对选取的最佳颜色分量进行差分处理,然后将两种差分结果的颜色分量对应进行"与"运算,最后采用"或"运算实现颜色分量融合,获取内部充实、轮廓清晰的运动目标。     

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。     

基于边缘信息和混合高斯融合的运动目标检测

针对帧间差分法在目标运动较慢时无法完整的检测轮廓,混合高斯模型易受光照影响导致目标快速运动时无法辨别轮廓等问题,提出了一种更加优化的运动目标检测算法.该算法将三帧差分法与混合高斯模型相融合,利用视频中连续的三帧图像两两作差分后作或运算、二值化、形态学处理,对中间帧的进行canny边缘检测,将两次结果再进行或运算、形态学处理后得到更加完整的轮廓.用中间帧进行高斯混合模型提取前景,二值化后和边缘信息进行与运算,经过形态学处理和孔洞填充后获得运动目标.经过实验表明,该方法能够获得更加理想的运动目标.     

一种基于三帧差分和边缘信息的运动目标检测方法

为了改进目前常用的运动目标检测方法易受到噪声和亮度突变的影响、易出现虚假目标的情况,该文提出了一种基于3帧差分和边缘信息的运动目标检测方法。该方法首先对连续3帧图像进行边缘提取得到3帧连续的边缘图像,然后对3帧连续的边缘图像进行3帧差分运算,最后通过阈值分割和形态学处理完成对目标的提取。该方法计算简单,实验结果表明该方法能对运动目标进行准确检测,且具有很好的鲁棒性。     

基于FPGA的改进四帧差分的运动目标检测算法

针对运输系统中运动目标在运动垂直方向上边缘信息缺失的问题及运动目标检测实时性差的缺点，提出了一种改进的融合边缘检测算法的四帧差分法，结合现场可编程门阵列(FPGA)芯片的并行工作特性，满足了运动目标检测的实时性要求。改进的四帧差分算法是采用间隔帧间差分的方式，将运动目标区域提取出来与边缘检测相融合，同时利用FPGA中多端口SDRAM图像缓存技术对实时图像进行缓存和输出。系统实现了对运输带上运动目标的检测，结果表明，该算法能够较好地解决在传统帧间差分法中运动目标在运动垂直方向上边缘缺失的问题，同时也能准确且实时地检测出待测运动目标。     

视频监控中的运动目标检测与跟踪技术研究

视频监控中运动目标的检测和跟踪是智能视频监控的关键技术,本文利用帧间差分法和背景差法对运动目标进行检测,对这二种检测方法进行了研究和比较;利用波门（跟踪窗口）选取视场中某部分图像为目标图像,然后用边缘或质心跟踪等跟踪算法确定目标位置以及目标位置与波门位置的偏差实现了对目标的跟踪。     

基于图像融合的运动前景检测方法

提出了一种有效的运动前景检测方法。该方法根据图像融合思想,将背景帧与监控视频的当前帧在R,G和B颜色通道分别进行融合,形成包含背景帧和当前帧视觉信息的单一融合图像。之后根据背景区域与前景运动目标在饱和度上存在较大差异的现象,使用大津算法分割融合图像的饱和度分量图,形成运动前景二值图。经形态学处理后,形成了目标区域较完整、背景干净的运动前景检测图。实验结果显示,该算法具有较好的前景检测性能,解决了背景减法过分依赖背景帧的缺陷。     

改进型谱减法在DSP上的实现

介绍了改进型谱减法在DsP5416上的实现,包括谱减法及其改进型的基本原理;在硬件系统的基础上设计了数据流程和程序流程;最后对系统进行了硬件测试.结果表明,改进型谱减法虽然会产生音乐噪声,但因其算法简单有效,对系统要求不高,在对实时性要求较高的场合能充分发挥其优势,可供工程实践人员参考.     

谱相减法语音增强技术中"音乐噪声"的抑制

针对谱相减法残余“音乐噪声”过强的缺点，采用幅度-带宽联合分析的方法，自适应地调整各子带谱减因子，通过消除随机噪声谱峰，达到了抑制残余“音乐噪声”的目的。新算法经过仿真实验，并与其它算法的结果进行了对比。结果表明在几乎不损伤清晰度的情况下，该算法更好地抑制了“音乐噪声”，且信噪比得到了大幅提高。     

基于谱减的Robust电话语音识别方法

谱减技术是语音增强的有效方法，并被成功地应用到了车辆等环境下的Ｒｏｂｕｓｔ语音识别中。文章对将谱减技术应用到电话语音识别中的加性噪声去除上进行了尝试。实验验证该方法有利于改进电话语音识别的性能，对不特定话音８４个孤立词的实验，误识率下降了２１．８％。     

利用匹配相位谱减法降低噪声

本文首先利用谱减法推导出一种匹配相位降噪算法,再对其进行计算机仿真,并推出工程公式,使用实际数据验证其可使低信噪比信号减少干扰的影响。     

改进的谱减法在语音增强中的应用

提出了一种谱减法的改进形式,算法打破了噪声和语音是相互独立且噪声是零均值的高斯分布假设.实验表明这种改进型谱减算法有效提高了增强效果,更好地抑制了音乐噪声.     

减谱法在语音增强中的应用

语音信号在传输过程中不可避免地会受到周围环境的影响。如何在语音受到干扰的条件下,在接收端保证语音可懂度和清晰度是目前语音通信面临的一个重要问题。首先介绍了影响语音通信的常见的几种噪声,通过对几种语音增强方法的介绍和对比,并结合语音干扰效果评估方法,对减谱法语音增强方法进行详细分析,并结合实际的标准语音库中的语音文件,对结果加以验证,实现了在干扰信号比较大的情况下,提高了语音的可懂度和清晰试。进而得出了较为有效的语音增强效果。可作为提高音质试验、训练中的参考依据。     

基于最大似然估计的子带语音去噪的研究

对基本的谱减算法进行了改进。利用满足听觉感知模型的滤波器组对语音信号进行处理,然后通过自动跟踪信号的低能量部分的包络来估计背景噪声的特性,最后利用改进的谱减技术对子带语音进行滤波并增强。实验表明,改进的谱减技术具有良好的性能。     

谱相减与波束形成相结合的语音增强算法

根据阵列信号语音增强的思想,提出一种基于频城处理的谱相减与波束形成相结合的语音增强结构。结构为多路信号输入,每路含噪信号在谱相减后,增加了波束形成结构,不仅有效地消除了背景噪声,也抑制了谱相减后的音乐噪声。并使用该算法对实际环境中采集到的含噪语音信号进行了仿真,结果显示经过该系统处理后的增强语音的信噪比有了较大的提高,主观试听效果也很好。     

基于减法聚类的神经网络模型及其应用

神经元网络应用于一般工业过程建模比较有效,但对于对象是庞大数据的复杂的工业生产过程就明显力不从心,采用基于减法聚类算法和模糊c均值聚类算法融合,以获得精确的聚类个数和隶属度,建立基于多判据信息融合和模糊技术构成的神经元网络模型,对实际地下开采生产过程进行仿真,结果验证了模型的有效性.     

模为合数时多值模代数的模减与模除运算

本文提出并分析了模为合数时多值逻辑中模加与模乘运算的逆运算－模减与模除运算。它的引入使模减，模除运算的基数（模）的取值域从素数扩展到合数，从而完善了对模代数中的模减、模除运算的研究。