视频中运动目标检测算法研究及实现

背景建模是视频监控中检测运动目标的一种常用方法。针对固定场景的视频,给出了一种视频运动目标检测算法。利用混合高斯建模的背景差分法,在复杂背景条件下提取出运动目标,在OpenCV库函数的支持下进行编程测试,算法可以准确地检测运动目标。实验结果表明该算法的有效性、优越性和可行性。     

融合LBP与背景建模的自适应目标检测混合算法

提高目标检测算法在复杂场景下的检测鲁棒性是目前计算机视觉领域的一个重点、难点问题.为了实现在多种背景扰动以及阴影同时存在的复杂场景下,对运动目标的准确、鲁棒提取,论文提出了一种融合纹理特征和背景建模的自适应目标检测混合算法.首先,为了对阴影进行有效处理,论文提出融合纹理特征的背景建模法;同时,在背景建模的基础上,引入亮度信息预处理程序;最后,论文在对复杂场景下(包括室内、室外)的背景扰动进行分析归类的基础上,将帧间差分法和背景建模法有机结合,有效提高算法对复杂场景的适应性.实验结果表明,复杂场景下,该算法对大多数背景扰动都具有一定的鲁棒性,能够实时、准确地检测出运动目标.     

基于对称差分和背景减的运动目标检测

通过对视频运动对象特点的分析,提出一种针对静态场景的运动目标检测算法。该算法采用一种改进的时间平均法初始化背景,在有目标的情况下也能构建出可靠的背景,并融合背景减法和多重对称差分法对背景进行自适应更新。实验结果证明,该算法计算简单,对光线变化具有适应性,能够完整地提取运动目标,改善了运动目标的检测效果,具有一定的鲁棒性。     

能量法的自适应背景更新算法

光流法不适用于复杂的环境,计算量大、用时长,且实时性不高,而背景图像差分法只适用于静止不动的背景,且不能使背景图像随监视场景背景变化而及时地更新。因此,提出了能量法的自适应背景更新算法SBUE。该算法主要用于运动目标检测,即在复杂背景变化的情况下,能够实时地修正或更新粗背景模型CBM,再结合背景图像差分法与运动物体能量相似性分割出完整的运动目标,具有普遍的适用性。通过实验证明了算法可以快速、准确地更新变化复杂的背景,提高运动目标的识别精度。     

融合时空信息的运动目标检测算法

传统运动目标检测算法在处理诸如树叶晃动、水面波纹等动态场景时效果不理想。为此,针对动态场景下所存在的背景扰动问题,提出一种融合时间和空间信息的运动目标检测算法。该算法通过增量式主成分分析提取空间上图像的背景信息,结合三帧差分法所提取的时域信息进行融合决策以提取运动目标。实验结果表明,该算法能够在动态场景中有效提取运动目标,且检测结果优于混合高斯模型算法。     

基于OpenCV运动目标的检测研究

在Visual C＋＋6.0环境下,介绍一种结合背景差分法和瞬时差分法,能在视频序列中识别运动目标算法,结合OpenCV给出了具体过程和部分代码。该算法利用瞬时差分法得到当前帧中运动目标的轮廓信息,在更新背景模型时不更新运动目标轮廓内区域,避免了由运动目标引起的背景模型更新误差,当发现移动物便自动发出警告声。     

基于背景和帧间差分法的运动目标提取

在自动人脸识别系统中,人体目标的检测是该系统识别人脸的前期关键步骤之一。为了能快速准确地检测出运动的人体目标,提出了背景差分法和帧间差分法相结合的运动目标提取检测方法。针对视频中的背景因镜头摆动或物体的移入/移出而有所变动,给出了几种提取背景的方法,比较各种方法后决定采用中值法快速地进行背景建模,随后采用自适应背景更新,结合两种差分法检测运动目标。通过实验验证了本文算法的有效性。     

基于RPCA与三帧差分融合的运动目标检测

为了实现在监控视频中对人体运动目标的准确提取,针对传统的三帧差分法在运动目标提取过程中容易出现“空洞”现象,提出了一种鲁棒主成分分析(Robust Principal Component Analysis,RPCA)与三帧差分相融合的运动目标检测算法。本算法通过将RPCA提取的视频当前帧的背景作为三帧差分法的中间帧与视频当前帧的前一帧和视频当前帧分别进行邻间差分,使得三帧差分法在运动目标检测过程中避免了背景像素点所带来的影响,消除了“空洞”现象。仿真结果表明该算法在完整性和准确性方面要优于其他三种传统运动目标检测算法,可以在复杂背景环境中实现准确的运动目标提取。     

实时运动目标检测与跟踪平台的构建*

构建了一个基于图像采集卡的复杂环境下实时运动目标检测与跟踪的实验平台。基于此平台提出并实现了一种改进的运动目标检测算法,它融合了帧间差分法和背景差分法的优点,以适应复杂环境的变化。实验表明,该算法利用所构建的平台,对变化场景中的运动目标实施了快速有效的检测与跟踪,为智能视频技术的研究提供了一个实用的实验平台。     

基于帧间差分背景模型的运动物体检测与跟踪

针对背景差分算法中在复杂背景下参考帧的提取问题,提出了一种新的背景提取方法;该算法用帧间差分法将帧中的背景象素点检测出来,再确立出背景帧;由于排除了帧中运动物体的影响,因而提取出的背景干净,效果很好,然后运用背景差分检测出场景中的物体,最后采用一种新的运动物体跟踪算法,实现了运动物体和静止物体的识别,克服了以往检测算法中的误检和空洞问题,实验结果表明,该方法快速有效,能够满足实时性的要求.     

混合高斯模型结合五帧差分的运动目标检测

在复杂背景下,光照变化、目标短暂遮挡以及背景运动等因素会导致运动目标检测精度较低.提出一种结合改进混合高斯模型和改进五帧差分的运动目标检测算法,首先在混合高斯模型中加入自适应学习率以及背景学习速率更新策略有效解决传统背景更新速率恒定而出现的残影现象;然后利用改进的五帧差分法克服运动目标短暂遮挡问题,并加入光照阈值判别因素,有效减弱光照变化带来的影响;最后对两者结果进行或运算进而得到最终检测结果.实验结果表明,该融合算法在复杂环境下具有一定的抗干扰能力,运动目标检测精度较高.     

OPTICS聚类与目标区域概率模型的多运动目标跟踪

目的 针对多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题,本文提出了一种基于OPTICS聚类与目标区域概率模型的方法。方法 首先引入了Harris-Sift特征点检测,完成相邻帧特征点匹配,提高了特征点跟踪精度和鲁棒性;再根据各运动目标与背景运动向量不同这一点,引入了改进后的OPTICS加注算法,在构建的光流图上聚类,从而准确的分离出背景,得到各运动目标的估计区域;对每个运动目标建立一个独立的目标区域概率模型(OPM),随着检测帧数的迭代更新,以得到运动目标的准确区域。结果 多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题通过本文方法得到了很好地解决,Harris-Sift特征点提取、匹配时间仅为Sift特征的17%。在室外复杂环境下,本文方法的平均准确率比传统背景补偿方法高出14%,本文方法能从移动背景中准确分离出运动目标。结论 实验结果表明,该算法能满足实时要求,能够准确分离出运动目标区域和背景区域,且对相机运动、旋转,场景亮度变化等影响因素具有较强的鲁棒性。     

结合分块的改进三帧差和背景差的运动目标检测

针对运动目标检测易受背景影响及帧间差分易产生空洞的问题, 提出了一种基于分块的改进三帧差分和背景差分相结合的运动目标检测算法. 该算法利用边缘检测法和均值法建立初始背景模型, 将视频图像划分成多个子块, 对利用改进的三帧差分和背景差分获取的图像的各个子块进行自适应阈值检测, 获取图像中的运动前景目标, 背景图像采取自适应更新方法. 实验结果表明, 该算法能完整的提取运动目标, 背景适应性强, 具有较高的准确性和效率.     

一种复杂海面背景下的红外舰船目标检测方法

针对传统目标检测方法只能应用在缓慢变化背景中的不足,文章从分析背景与目标的不同成像特性入手,提出了一种复杂海面背景下的红外舰船目标检测方法.该方法利用成像目标与背景的不同梯度特性,构造多向梯度检测函数来区分目标与背景,并对多向梯度算法执行结果利用灰度形态学滤波来进行背景泄漏噪声抑制.利用实际拍摄的红外图像对该算法进行了实验并与传统分法进行了比较,结果表明利用该方法能有效地检测出高起伏海面背景下的舰船目标.     

一种改进的基于混合高斯模型的运动目标检测算法

运动目标检测是实现目标跟踪和行为分析等任务的基础。在运动目标检测中,消除背景与噪声的干扰,从而将运动目标从图像中分离出来一直是研究的重点。混合高斯模型法被广泛地应用于运动目标检测,对存在小幅度运动的背景有较好的抗干扰能力,并且能提取出较完整的运动目标,但是同时存在噪声干扰,且对阴影抑制效果较差。针对传统混合高斯模型法的不足,提出一种改进的基于混合高斯模型的运动目标检测算法,利用帧差法对光照突变适应性较好和算法简单的特点,将传统混合高斯模型法与和四帧差法结合。实验结果表明,该方法能够有效地消除复杂环境中的噪声,并对阴影有一定的抑制作用,提高了运动目标检测的准确性和完整性。     

航拍视频中运动目标检测算法研究

针对复杂背景下航拍视频中的运动目标检测问题,提出一种基于改进的特征匹配算法与全局运动补偿的防抖方法,以及结合多帧能量累积的运动目标检测算法。首先,采取局部区域匹配法加快该算法的处理速度,避免运动目标对背景补偿的影响;其次,利用尺度不变的SURF算法,结合快速近似最邻近搜索算法得到匹配点对,并通过双向匹配和K-近邻算法筛选优秀匹配点;然后,建立仿射变换模型,求解运动参数,并进行运动补偿;最后,通过多帧能量累积进行目标检测。仿真结果表明,该方法具有良好的运动目标检测效果。     

基于小波边缘提取的混合运动目标检测算法

常用的运动目标检测算法易受到噪声、阴影等因素的影响,检测出来的运动目标边缘比较模糊,本文因此提出 一种基于小波边缘提取的运动目标检测算法,将小波边缘检测与帧间差分法和背景差分法相结合来检测运动目标,采用 形态学滤波和连通性分析得到准确的运动目标。实验表明,该算法可以准确的将运动目标从视频图像序列中检测出来。     

一种基于Mean Shift的快速跟踪算法

针对Mean Shift算法难以跟踪快速运动目标、算法迭代次数多以及耗费时间长的问题,提出了一种基于Mean Shift的快速运动目标检测方法,该方法结合帧差法并融合背景信息来快速检测运动目标;同时提出一种新的相似性度量方法进行初步检测,排除干扰并快速选出符合标准的目标以进行Mean Shift匹配,找出最佳目标。该方法不仅减少了传统方法的迭代次数,缩短了算法所需时间,而且在跟踪实验中取得了较好的跟踪效果,提升了算法的鲁棒性。     

基于SACON模型和五帧差分法的目标检测算法

在充分研究现有运动目标检测算法的基础上,针对当前常用运动目标检测算法易受光照和噪声的影响,不易提取完整运动目标,提出了一种新的结合SACON背景模型与五帧差分法的运动目标检测算法.对传统的SACON算法进行改进得到运动区域,与五帧差分算法提取的运动目标相结合,采用动态阈值以适应光线突变,通过孔洞填充等后处理,综合得到运动前景图像.该算法有效地处理了孔洞和噪声问题,具有很好的实时性以及抗干扰能力,能够精确地检测出运动目标.     

监控系统中运动目标检测算法分析

广泛了解当前智能监控技术已有的运动目标检测算法的基础上,对常用的运动目标几种检测算法进行了深入的分析和对比。针对相邻帧的帧间差分、背景减除法和光流场三种检测方法的不同算法的优缺点,介绍了一种基于背景差分和帧间差分相融合的多帧差分运动目标检测算法。通过对运动目标静态场景监控视频图像的准确获取,运用分析改进算法得到更为接近运动目标实际状况的影像轮廓。