基于视频的车辆检测中检测与去除阴影的一种有效方法

本文针对视频车辆检测系统中的关键步骤-视频检测中的阴影去除进行深入研究,在分析了阴影产生的原因和阴影的特点之后,综合利用灰度图像及其差分后的二值化图像,提出了一种基于背景差分的检测与去除阴影的新方法.实验证明,该方法能够较好地去除运动车辆的阴影,保留比较完整的车辆目标信息, 为准确提取车辆目标奠定了基础.     

基于帧差法的运动车辆阴影去除算法

在视频交通车辆目标检测中,阴影问题是影响其检测准确性的关键问题之一.为了解决这个问题,提出了一种结合单模高斯模型和帧差法的运动目标阴影去除方法.首先通过单模高斯模型背景建模获取前景包括阴影在内的目标图像,再结合帧差法去除阴影.实验结果证明,该方法得到的车辆目标比较完整,并较好地去除了运动车辆阴影.     

基于改进单模高斯模型的运动目标检测算法

在视频交通车辆目标检测中,阴影问题是影响其检测准确性的关键问题之一.为了解决这个问题,提出了一种结合单模高斯模型和背景差法的运动目标阴影检测方法.首先针对传统单模高斯模型提出了一种自适应学习率和选择性差值更新背景相结合的方法,加快了背景模型的初始化速度,同时结合背景差法对阴影部分进行检测与去除.实验结果表明,该方法能够较好地去除车辆的阴影,提高了检测的准确性.     

一种稳健的视频SAR动目标阴影检测与跟踪处理方法

视频合成孔径雷达(VideoSAR)可获取观测场景高帧率图像序列,利用车辆等地面运动目标在图像序列中形成的阴影能够实现动目标状态感知,该方法具有定位精度高、检测概率高、无最小可检测速度限制等优点。针对视频SAR动目标阴影变化剧烈、信杂噪比低、多普勒模糊干扰等特有的图像特征,该文充分利用帧图像空间域和时间域信息,研究了视频SAR数据预处理、动目标阴影检测和视频SAR多目标跟踪方法。实测数据全流程处理结果验证了该文方法的有效性。     

混合交通环境中的阴影检测算法

在城市交通流量视频检测系统中,目标阴影总是干扰对目标的正确检测和识别。在混合交通环境下,传统的阴影检测算法总是避免不了进行边缘检测、模板匹配等运算,不仅处理速度慢,而且对行人阴影的检测效果不好。本文提出一种基于颜色信息的阴影检测算法,该算法首先在图像中检测出运动区域,然后在运动区域内计算目标R、G、B颜色分量的灰度距离和色彩距离;最后根据这两个距离量检测出区域中的阴影。实验表明,该算法能够正确检测出车辆和行人的阴影,还能在雨天对目标的路面倒影进行检测,而且计算速度较快。     

鲁棒的实时多车辆检测与跟踪系统设计

场景中的运动阴影导致多目标粘连,车辆间的相互遮挡使得跟踪识别困难.本文针对这两个影响实时车辆检测与跟踪系统性能的主要因素,采用基于无偏卡尔曼滤波器(UKF)的方法为场景背景建模,提取出运动区域,再通过边缘特征检测出场景中的运动阴影,然后利用角点信息将目标与阴影分离;提出了一种基于运动预测框的目标跟踪算法,将它与基于车辆平行四边形轮廓的遮挡分割方法结合,构建了多车辆目标的实时跟踪系统,并用实验验证了它的实用性与鲁棒性.     

基于视频的车辆检测技术和阴影消除方法

基于视频的车辆检测技术在智能交通系统中的应用潜力巨大,但由于存在硬软件上的技术难点,仍有很多问题亟待解决,例如阴影消除等.在基于视频的车辆检测技术中,运用背景差分法获取前景车辆目标,针对选取小阈值可能产生的内外阴影,采用基于粗糙集阴影边缘点分类的方法,较好地实现了阴影边缘的检测,从而消除阴影.该方法简单,易理解及操作,精确度高.     

基于HSV空间阴影去除方法研究与应用

在智能视频监控系统中,运动阴影如果被误判为运动目标,将会影响到场景中运动目标的准确提取、跟踪和预测。针对这一问题,设计了一种基于HSV颜色空间的阴影去除方法。方法首先将背景差法和三帧差分法相结合,用于提取运动目标,再将提取的含有阴影的运动目标区域映射到其HSV色彩空间,通过与背景和相邻帧的亮度、饱和度比较,实现对阴影区域的检测和去除,处理过程中无需提前确定特征判别参数。将所设计的方法在标准高速公路视频数据库中进行测试并应用于实时的视频监控系统,验证结果表明该方法能更加有效的消除阴影,从而准确的检测出运动目标,同时方法对光线变化具有一定的鲁棒性。     

一种基于纹理的车辆阴影消除新算法

基于对智能交通系统(ITS,Intelligent Transport Systems)中视频检测的研究和分析,特别针对其中关键步骤之一的阴影消除展开深入探讨,分析了阴影产生的原理和特点,阐述了现有的阴影去除算法,在现有算法的基础上提出了一种基于区域聚类的阴影消除算法.实践证明,该方法能够较好的去除运动车辆的阴影,保留...     

基于车底阴影的车前障碍物检测

基于计算机视觉的道路车辆检测是智能车辆导航的核心问题,实时准确地检测前方运动车辆的位置信息是车辆安全驾驶的前提。文中采用车底阴影的前方运动车辆检测算法,在基于车道线检测的基础上,通过车底阴影检测,实时准确地检测前方车辆。该算法通过使用Otsu阈值分割提取出车道线,生成AOI区域,再进行两次自适应阈值分割提取车底与路面的交线,从而检测出前方运动车辆。经过在高速公路上对运动车辆检测实验证明,该算法基本满足车辆安全驾驶的需求,并能准确实时地检测出前方运动车辆,进而减少了交通事故的发生。     

Efficient method of moving shadow detection and vehicle classification

Moving shadow detection and removal from the extracted foreground regions of video frames, aim to limit the risk of misconsideration of moving shadows as a part of moving objects. This operation thus enhances the rate of accuracy in detection and classification of moving objects. With a similar reasoning, the present paper proposes an efficient method for the discrimination of moving object and moving shadow regions in a video sequence, with no human intervention. Also, it requires less computational burden and works effectively under dynamic traffic road conditions on highways (with and without marking lines), street ways (with and without marking lines). Further, we have used scale-invariant feature transform-based features for the classification of moving vehicles (with and without shadow regions), which enhances the effectiveness of the proposed method. The potentiality of the method is tested with various data sets collected from different road traffic scenarios, and its superiority is compared with the existing methods.     

一种基于机器学习的运动目标阴影检测新方法

运动目标检测是物联网智能视频监控中的一个重 要环节。通过对各种阴影检测方法的研究,我们发现仅仅通过一种 特征进行处理并不能准确的检测出阴影。因此,本文提出了一种基于机器学习的运动目标阴 影检测新方法。该方法深度 融合颜色信息、光学不变性以及纹理特征等因素,通过机器学习,自适应地进行目标阴影检 测,在综合分析三种信息检 测结果的基础上,实现对阴影的有效确定。该算法能够有效地结合各种方法的优势,在物联 网应用中取得了较好的效果 和运行效率。     

基于HSV颜色空间检测与Gabor筛选器的阴影检测

针对视频分析中难以完全将前景(FG)和运动阴影正确分离,提出一种基于阴影HSV颜色空间特性与Gabor筛选器的阴影分割方法。首先,采用一种基于复杂背景(BG)的运动目标检测方法提取出运动目标;其次,采用基于HSV颜色空间阴影特性初步判定阴影区域;最后,设计基于感兴趣区域(ROI,region of interest)的Gabor筛选器对初步判定后的阴影区域进行筛选,从而检测出阴影。对不同光照和环境条件下的视频序列进行测试结果表明,方法效果好,阴影检测率高,可应用于智能视频监控的目标检测。     

视频动目标标识文本检测与识别技术

描述了一种新的视频动目标标识检测与识别技术，讨论了从视频中自动捕获用于识别动目标的最佳帧、动目标标识的自动搜索、标识字符的单字切分和字符图像的BP神经网络识别。实验显示，该技术运用于车牌自动识别系统能适应不同的天气和光照，有很好的鲁棒性。     

基于改进快速区域卷积神经网络的视频SAR运动目标检测算法研究

针对传统视频SAR(ViSAR)运动目标检测方法存在的帧间配准难度大、快速运动目标阴影特征不明显、虚警概率高等问题,该文提出一种基于改进快速区域卷积神经网络(Faster R-CNN)的视频SAR运动目标检测方法。该方法结合Faster R-CNN深度学习算法,利用K-means聚类方法对anchor box的长宽及长宽比进行预处理,并采用特征金字塔网络(FPN)架构对视频SAR运动目标的“亮线”特征进行检测。与传统方法相比,该方法具有实现简单、检测概率高、虚警概率低等优势。最后,通过课题组研制的Mini-SAR系统获取的实测视频SAR数据验证了新方法的有效性。     

视频监控系统中一种运动目标的检测方法

提出了一种基于改进的背景差分法的运动目标检测和识别的方法,该算法用于视频监控系统中运动目标检测和报警。双阈值法和动态阈值法有效地检测出图像中的运动目标。Matlab 7.0中对算法进行了仿真,实验表明,该方法有效去除了运动目标阴影及背景噪声,可准确地检测出运动目标。     

结合直方图反投影的多特征运动阴影检测算法

针对视频监控中运动阴影影响目标检测跟踪准确性的问题,提出一种结合直方图反投影的多特征运动阴影检测算法。首先利用背景减除法,得到前景区域并进行初步筛选;然后在背景区域建立亮度、颜色、梯度特征的联合直方图,以反投影的方式投影到前景区域得到运动阴影概率图;最后结合空间一致性和滞后阈值,对概率图进行分割得到运动阴影区域。与典型算法进行对比的实验结果表明,本文算法能够有效区分阴影与目标,适用于实时的运动目标检测与跟踪。