基于多特征融合的运动阴影去除算法研究

在自动视频监控系统中,阴影是影响目标检测和跟踪的主要因素之一。为了去除阴影的干扰,提出一种区域梯度、颜色和轮廓多特征融合的方法。改进轮廓计算方法,巧妙利用轮廓分割区域,合理使用轮廓填充区域,这些改进使本方法更具鲁棒性和更广适用范围。实验结果表明,该方法在不同场景下可以有效地去除阴影。     

自适应背景下运动目标阴影检测算法研究

智能视频监控系统的主要难点就是如何检测出运动目标的阴影并将他去除。用一种改进的自适应背景检测算法准确检测运动物体的位置和形状。然后根据阴影的颜色变化、结构等特点,分别采用基于RGB彩色模型和基于HSV彩色模型的阴影检测法检测阴影。在仿真实验中,对两种方法进行定量和定性的分析,在阴影检测率、识别率、复杂度和实时性等方面做出了比较。结果表明,两种方法都有较强的适应性,具有良好的阴影检测效果。根据各自的优缺点,可应用在不同领域中。     

基于二维道路图像理解算法的阴影检测

提出了一种新的自动检测二维彩色道路场景图像阴影区域的方法。该方法首先从RGB色彩空间中提取出亮度信息,并进行图像分割,再结合从色差图像中提取的阴影信息,检测并消除可能存在的阴影区域,减小在直方图分割中由于阴影的影响而引起的分割误差,最终达到正确的图像分割结果。实验结果表明,该方法简便且有效,并能适应各种不同的二维道路场景需求,具有一定的鲁棒性。     

综合灰度和纹理特征的运动阴影检测方法

为了提高运动目标阴影检测的有效性和稳健性,提出了一种综合灰度和纹理特征的阴影检测方法。该方法通过背景差分法提取运动区域,利用快速归一化互相关函数对运动区域进行检测,获得潜在的阴影区域。然后,利用Gabor小波分析潜在阴影区域的纹理特征,得到最终的阴影区域。实验结果表明,该算法能够实时有效地进行阴影检测,并具有较强的稳健性。     

运动目标检测中的阴影去除方法

采用背景减法检测运动目标时常常将阴影点检测成前景点,对目标分割和提取产生严重影响。为了准确提取运动目标,提出了一种基于对梯度分析的阴影去除方法。实验表明,该算法抗干扰能力强,复杂度较低,可以实现实时处理。     

基于边缘直方图特征的车辆检测算法

车辆检测是实现视频交通监控技术的核心.在此提出一种基于图像边缘直方图特征的车辆检测方法.为了提高运算的速度,选择较为理想的亮度计算公式将彩色图像转换为灰度图像,然后使用Roberts算子计算图像边缘.通过分析边缘直方图的特征,提出两个特征参数实现车辆的检测.实验表明,该方法有较高的车辆检测准确率,并且能满足智能交通系统中的实时性要求.     

智能交通系统中的椭球法运动阴影检测

基于背景像素被阴影覆盖后RGB值的变化,提出了一种智能交通系统(ITS)中运动阴影的检测算法。首先定义了归一化亮度比例坐标系并将阴影检测视为该坐标系中的分类问题,然后采用阴影像素在该坐标系中的分布信息构建一椭球,并根据像素的坐标值是否处在椭球内部以及RGB3种颜色归一化亮度比例的相对大小确定阴影像素。对比实验表明,该方法能够有效地检测运动阴影,性能优于SNP算法和DNM算法。     

基于色彩和形态特征的人阴影检测方法

提出了一种基于色彩和形态特征的人阴影检测方法,在HSV颜色空间中利用色彩特征检测阴影的可能区域,结合基于形态特征的阴影检测结果,得到最终的阴影区域.实验表明,本方法能有效地区分运动人体与阴影,具有较好的检测精度和鲁棒性.     

一种改进的基于纹理和颜色的运动阴影检测

精确地消除活动阴影对运动目标的影响是智能视频监控的核心任务之一,针对当前运动阴影检测中采用的纹理信息过于粗糙、阈值选取需要人工干涉等问题,通过对NCC(归一化互相关)纹理算法进行改进,并结合亮度和归一化颜色特性,提出一种自适应的运动阴影检测方法。以混合高斯模型得到的前景像素为基础,通过阴影在亮度和归一化颜色的特性筛选出候选的阴影区域,结合改进的纹理算法进一步缩小阴影区域范围,最后利用空间后处理得到真实阴影。实验结果表明,该算法在有效降低噪声干扰的情况下能够较好区分局部纹理不明显的运动目标和阴影。     

基于阴影向量扩展的阴影检测方法

图像处理中阴影检测是一个重要的主题。本文提出了一种基于阴影向量扩展的阴影检测新方法。该方法依据阴影区域的光学特性,先找出前景中能够表达阴影区域主要特征的阴影向量,再根据阴影向量扩展出整个阴影区域。测试图库的实验结果表明该方法能有效的检测出前景中的阴影,并且改善了传统方法在强阴影识别方面的缺陷,以及常常把目标局部误识别为阴影的问题。     

基于颜色和梯度差估计器的运动阴影检测

针对当前运动阴影检测中采用的纹理信息过于粗糙问题,提出一种基于梯度差估计器并融合亮度和归一化颜色特征的阴影检测方法。以混合高斯模型得到的前景像素为基础,通过阴影在亮度和归一化颜色上的特性筛选出候选的阴影区域,然后利用梯度差估计器确定最终的阴影区域。实验结果表明,本文算法能很好地区分局部纹理不明显的运动目标和阴影。     

基于支持向量机的多特征目标抗干扰检测技术

针对箔条干扰时目标与干扰难以区分的问题,设计了一种基于多特征向量的分类算法.该算法首先对目标和箔条的特征进行分析,而后选择并构造了一组具有较高区分度的极化特征识别量,最后采用支持向量机(SVM)方法,通过对特征样本进行训练,获得了较好的分类结果.实验表明,所提算法具有较强的抗箔条干扰能力,且检测正确率可达90%以上.     

基于颜色对立空间的运动目标的阴影检测

利用背景差分法检测运动目标,目标阴影和目标本身均会被当作前景检测出来。针对上述问题,提出了基于颜色对立空间的运动目标阴影的检测方法。该方法首先将提取的前景图像由常见的RGB格式转换成CIELAB颜色对立空间格式,再分别对其L＊、a＊和b＊三个通道进行边缘检测。由于CIELAB颜色对立空间所具有的接近人类视觉的特性,用上述检测出的边缘进行相关的数学形态学的处理,便可检测出阴影。实验结果表明该方法便捷快速,能够有效检测出运动目标的阴影。     

一种融合预测过采样的运动目标检测算法

为了改善运动目标检测的精度,提出了一种融合了预测过采样的运动目标检测新方法.首先,基于二维傅里叶变换预测当前帧的目标形状并计算形状相似度;然后,从历史检测结果中选择一定数量的参考帧,使用光流法跟踪目标像素点在参考帧与当前帧之间的运动轨迹,并以像素点轨迹为参考在采样区间执行稠密过采样;最后,基于过采样样本构造前景模型,并在图分割框架内联合使用前景背景模型实现目标检测.在公共数据与自采数据集上对所提方法进行了实验验证,结果表明,相对于经典的运动目标检测算法,所提方法能够有效提高检测精度.     

Moving cast shadow detection using online sub-scene shadow modeling and object inner-edges analysis

In this paper, we propose an adaptive and accurate moving cast shadow detection method employing online sub-scene shadow modeling and object inner-edges analysis for applications of static-camera video surveillance. To describe shadow appearance more accurately, the proposed method builds adaptive online shadow models for sub-scenes with different conditions of irradiance and reflectance. The online shadow models are learned by utilizing Gaussian functions to fit the significant peaks of accumulating histograms, which are calculated from Hue, Saturation and Intensity (HSI) difference of moving objects between background and foreground. Additionally, object inner-edges analysis is adopted to reject camouflages, which are misclassified foreground regions that are highly similar to shadows. Finally, the main shadow regions are expanded to recycle the misclassified shadow pixels based on local color constancy. The proposed algorithm can adaptively handle the shadow appearance changes and camouflages without prior information about illuminations and scenarios. Experimental results demonstrate that the proposed method outperforms state-of-the-art methods.     

A new method of moving object detection and shadow removing

This paper presents an adaptive method of objects and shadows detection in video streams. Models of background are firstly set up and adaptively updated in Hue Saturation Intensity （HSI） color space to detect motion regions. Then, detection errors are dealt with by motion continuity and velocity consistency. Finally, cast shadows are removed by the generic properties of luminance, chrominance and gradient density. Experimental results and their evaluation are presented to verify the effectiveness of this new method.     

针对运动摄像机的快速低存储开销运动目标检测算法

摄像机的运动会导致整幅图像的运动,使得此情形下的目标检测极具挑战性。针对该问题提出一种快速低存储开销检测算法。首先,利用一种快速低存储开销配准方法计算相邻两帧的单应变换矩阵。而后,使用单应变换矩阵进行相邻两帧之间的配准,并由帧间差分获取帧间运动信息。最后,采用积累运动信息的方式构造不断更新的运动图像,通过对此运动图像进行阈值分割分离出最终的运动目标。在多个不同视频序列下的实验表明该算法能够有效地从嘈杂的场景中检测出运动目标。此外,与先前算法相比,该算法检测性能更好,且显著地降低了存储开销与计算时间开销。对于480360的序列而言,该算法需要的存储开销仅为825 kByte,且运算速度达到16帧/m。