基于Surendra背景差分和帧间差分的运动目标检测

运动目标检测是视频监控和目标跟踪研究的前提,目标提取是否准确,将直接影响到后期目标跟踪和处理的效果。该文在背景减除法和五帧差分法的基础上,提出了将两种算法相结合的方法,对视频序列中的运动目标进行检测。首先采用Surendra背景减除法建立背景模型,并通过迭代法计算出动态阈值,完成背景更新,然后将检测出的运动目标区域与五帧差分法得到的目标轮廓图形进行逻辑"或"操作,取得比较完整的运动目标,最后采用连通性检测和孔洞填充方法综合得到运动区域图像。通过MATLAB验证和量化评估表明,该方法能准确地检测出运动目标,同时在识别率和误检率方面也得到了较好结果。     

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。     

基于帧间差分的背景提取与更新算法

当运动目标较多时,时间平均法提取的背景存在模糊和拖影现象。为此,提出一种基于帧间差分的背景提取与更新算法。该算法采用基于像素级和帧级的多级自适应背景更新策略,能够克服光线缓慢变化和剧烈变化对背景的影响,并及时消除由于物体移入和移除产生的鬼影。实验结果表明,该算法能快速有效地对背景进行更新,提取的背景图像效果较好。     

混合高斯模型和帧间差分相融合的自适应背景模型

提出了运动目标检测中背景动态建模的一种方法。该方法是在Stauffer等人提出的自适应混合高斯背景模型基础上,为每个像素构建混合高斯背景模型,通过融入帧间差分把每帧中的图像区分为背景区域、背景显露区域和运动物体区域。相对于背景区域,背景显露区中的像素点将以大的更新率更新背景模型,使得长时间停滞物体由背景变成运动前景时,被遮挡的背景显露区被快速恢复。与Stauffer等人提出的方法不同的是,物体运动区不再构建新的高斯分布加入到混合高斯分布模型中,减弱了慢速运动物体对背景的影响。实验结果表明,在有诸多不确定性因素的序列视频中构建的背景有较好的自适应性,能迅速响应实际场景的变化。     

一种改进的基于背景差分的运动目标检测方法

文中在介绍运动检测方法的基础上,阐述了背景差分运动检测算法的优缺点。文章为实现高效的运动检测目的,提出了改进的基于背景差分的检测方法,体现在改进的基于帧间差分实现的背景建模算法以及改进的自适应背景更新算法,综合实现了基于背景差分的运动目标检测。针对背景差分受环境约束较大的缺点,改进措施能够很好地完成效果较理想的运动检测。实验结果表明,使用文中改进的背景差分进行运动目标检测,能够趋近于得到真实的没有运动目标的背景,其次实现了背景能够很好地自适应更新以适应环境的变化,使得最终的运动目标检测取得了良好的实验效果。     

帧间差分与背景差分相融合的运动目标检测算法

针对视频序列中运动目标检测进行了研究，提出了一种将帧间差分和背景差分相互融合的运动目标检测算法，首先选取一帧作为背景帧，确立每一个象素点的高斯模型；然后对相邻两帧进行差分处理，区分出变化的区域和没有发生变化的区域，没有发生变化的区域更新到背景帧中，发生变化的区域与背景模型进行拟合，区分出显露区和运动目标，将显露区以很大的更新率收入到背景帧中。该方法允许在有运动物存在的情况下进行建模，实验表明该方法准确率高，运算速度快，能满足实时检测的需要。     

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.     

一种有效的运动物体检测方法

为了从监控视频中检测出较高质量的运动物体,文章提出了一种基于帧间差分和背景差分相结合的运动目标的检测方法,并且采用像素级和帧级背景更新相配合的一种背景更新策略。算法求取各像素点处的最大概率灰度,从而提取出连续视频的背景图像;相邻帧则利用帧间差分法以及背景差分法得到两幅运动区域图像;将两幅运动区域图像相与,提取出较为准确的运动目标。实验证明,该算法对光线的变化鲁棒性较高,运算速度较快,且能够及时的响应监控视频的实时变化,提高运动目标的检测质量。     

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。     

采用时空信息的运动对象检测

针对复杂背景下的运动检测困难,提出了一种结合时域差分与尺度空间信息的运动对象检测算法。该方法首先以视频序列的第一帧作为初始背景,以相邻帧金字塔差分信息作为背景更新掩膜,并采用自适用的背景更新因子实现背景更新。在运动对象检测阶段,结合背景差信息与当前帧和背景帧金字塔差分信息,提取出运动对象。实验结果表明,该方法具有较好的实时性和自适应性,对噪声不敏感,有效提取运动对象。     

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.     

基于五帧差分和背景差分的运动目标检测算法

静态背景下运动目标检测的抗噪性能较差。为此,提出一种改进的运动目标检测算法。对原始图像进行预处理,将五帧差分和背景差分相结合,利用基于自适应背景模型的动态阈值,提取图像中的运动区域,并进行形态学滤波和连通性检测,最终获取运动前景目标。实验结果表明,该算法能完整提取运动目标,背景适应性强,实时性好。     

基于帧间差分和边缘差分的遗留物检测算法

遗留物检测是智能视频监控系统的核心功能,遗留物一般较小,所处环境复杂,传统的运动目标检测算法直接用于遗留物检测效果一般.提出了一种基于帧间差分与边缘差分的遗留物检测算法,首先进行帧间差分得到运动目标区域,然后将当前帧图像和前一帧的背景图像进行边缘差分运算得到运动目标的边缘,融合二次差分的结果即可得到运动目标的完整轮廓特征,最终通过判断运动目标在场景中的滞留时间是否达到或超过报警系统设置的阈值来标示遗留物,供智能视频监控系统处理.实验结果证明该算法实时性好且识别率较高.     

复杂背景下运动目标的改进实时检测算法

针对复杂背景下运动目标检测难度大、算法实时性差的问题,提出了一种改进的运动目标实时检测算法.融合背景差分、帧间差分和边缘检测的信息,划定目标区域提取完整的目标轮廓.针对图像光照突变的问题,改进了运行期均值背景更新策略,在背景更新时同步更新前景分割阈值.使用复杂背景下毛细管粘度计液位检测视频验证算法证明,边缘融合方法和实时阈值更新的背景更新算法能够克服背景复杂、光照变化、运动干扰等带来的影响,提高运动目标检测精度,实现实时检测.     

抗干扰的运动目标检测算法

针对实时场景中运动目标检测的问题,提出一种改进算法。结合背景差分与帧间差分判定图像是否存在运动目标的过程中,引入形态腐蚀算子抑制大量孤立小噪声,采用基于矩形块的目标判定方法提高检测准确度,通过实时背景更新提高自适应性。实验结果表明改进算法可靠性高、抗干扰性强、背景适应性强。     

基于混合高斯模型的运动目标检测算法

针对智能交通系统中运动目标检测阶段存在的不足,提出了一种基于自适应混合高斯模型(GMM)的改进算法。将隔帧差分的方法引入背景建模的初始判别阶段,从而迅速地检测出运动变化区域,提高了算法的灵敏度,同时也增强了对缓慢运行车辆的检测的适用性;将划分出的背景及运动区域赋予不同的更新率,使得背景显露区域得到迅速恢复,消去了运动车辆留下的"影子"。在此较为精确的背景模型下,结合灰度和canny边缘特征进行背景差分,有效地保留了与背景灰度相似的运动目标的轮廓。通过实验证明该检测算法取得了较好的效果。     

背景重建的运动目标分割改进算法

提出了基于背景重建的运动目标分割改进算法。首先使用多帧差获得初次的背景和前景分离,使用前后多帧差重合部分的合并作为当前帧的运动对象,并通过形态膨胀操作消除二值模板中的空洞,得到该帧的并不精确的初次运动目标掩膜。通过掩膜获得稳定的累积背景。通过得到的背景差和帧间差相结合制定判断原则,获得精确的运动目标掩膜,从而对运动目标进行分割。实验表明该算法对于较大面积的运动目标,或者当摄像机拍摄方向与目标运动方向一致的情形下都可以得到较准确的效果。