一种静态背景下的运动目标提取算法

为了对静态背景下的运动目标进行快速、准确的提取 ,提出了一种新的运动目标自动提取算法 .该算法在传统的亮度信息的基础上 ,通过引入色差信息来作为预分割的参考 ,取得了较好的预分割效果 ;然后通过改进传统的 canny算法 ,使之能处理含有时间关系的两帧图象 ,以此来获得物体的精细边缘 ;最后设计了一种辅助边缘提取方法 ,结合精细边缘 ,以此来得到运动物体的连续边界 .实验表明 ,这是一种快速稳健的分割算法     

彩色图像序列中运动人体轮廓提取

在视频序列的人体运动分析中,实时提取出运动人体轮廓,是很多研究起始的关键步骤.而彩色图像由于具有比灰度图像更多的视觉信息,受到了越来越多的重视.采用了一种新的色彩背景模型;运用改进的背景差分方法在复杂背景下获得运动人体的轮廓.实验结果表明上述算法对噪声抑制和人体图像断裂处填充都是有效的,在目标物是运动物体,且背景绝大多数均为静止时,该算法适用,能够实时提取出运动人体的轮廓.     

复杂背景下运动目标分割算法研究

视频监控中,准确而快速地分割出运动物体是提取各种信息的前提和关键.以图像差分法为基础,提出了一种在复杂背景下有效分割运动目标的方法.运用改进的Surendra算法提取背景.对连续帧图像的R,G,B三通道帧差分图像采用PCA融合和二值形态学重构,以提取和更新背景.将粗分割图像转换到HSV域中,采用V分量阈值法消除阴影,并应用彩色投影法解决连通体粘连和路面反光问题.实验结果表明该方法能够结合各种算法的优势,快速而较准确地提取出运动车辆目标.     

基于时空注意模型的视频分割算法

针对已有视频分割算法对复杂动态背景下所出现的误分割问题,提出通过显著性映射构造时空注意特征,并采用分层条件随机场进行视频分割,提高分割准确率。算法首先根据视觉注意理论提取时域和空域特征,并建立加权混合模型。其次,采用该混合模型计算运动目标的显著性映射概率分布,有效地提取出运动目标区域。最后,在显著性映射概率分布基础上,采用高斯混合模型建立前景和背景的能量函数,构造分层条件随机场模型对这些特征能量函数进行分割建模,精确地提取出运动对象目标。实验结果表明,该算法即使对复杂动态背景下的视频也能够得到稳定的分割效果,有效地去除摄像机运动等所导致的误分割问题。     

基于混合高斯模型的运动目标检测

提出了一种新的基于HSV颜色空间的阴影检测和误判检测的自适应背景模型运动目标检测算法,并将其应用于运动物体的分割。该算法较好地解决了背景模型的提取、更新、背景扰动、外界光照变化等问题。实验结果表明了该算法的实时性、可靠性和准确性较好。     

货车超限差分算法图像分割

该文讨论了在铁路货物超限监测中,利用数字图像处理技术提取货车轮廓,从而用于货车超限判断。其中的核心问题是运动货车图像的提取。该文提出了基于差分算法下自动图像分割的方法,在一定天气与背景条件下,测试结果表明,该算法适应性较好,检测精度和速度基本能满足要求。     

一种基于全向视觉的运动物体检测算法

针对静态摄像头条件下的运动物体,提出一种基于全向图像特性的运动目标检测算法.首先对全向图像进行展开,并应用非线性畸变模型对展开图像校正处理,利用自适应背景建模的方法建立和更新背景模型、去除背景,实现对运动物体的识别与检测.该方法利用全向校正图像分辨率低的特点较好地解决前景提取过程中的噪声和阴影问题.实验表明,该方法对于全向视觉条件下运动物体的检测是快速有效的.     

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.     

一种自然环境下运动物体监测算法

提出了一种自然环境下运动物体的监测算法,该算法基于时空信息融合与特征识别,主要包括背景分析、前景提取、去除阴影、背景更新。其思想是将图像序列均转换为HSV颜色模型,并分析比较各像素点参数在某一时间段内的变化规律,通过判定公式的判定,便可区分出各像素点在某一帧中是属于背景点、运动物体点还是阴影点。该算法针对风、阳光、闪电等自然条件可能带来的影响进行了改进,并能够在光照突变、运动物体静止后融入背景、背景物体转为运动等情况下智能更新背景,适用于自然环境下运动物体的监测。     

一种视频序列图像中运动目标的分割算法

提出了一种新的用于检测视频序列图像中运动目标的算法。该算法通过对差帧图像进行模板检测及形态学滤波,并结合Canny算子边缘检测获得运动目标的分割掩模,提取出运动目标。实验结果表明,该方法能够有效分割运动物体,具有较强的鲁棒性。     

一种简单有效的运动目标检测算法

针对固定场景中运动目标检测遇到的运动目标状态突变,非运动目标干扰以及阴影等问题,提出了一种背景差分和帧间差分相结合的运动目标检测算法;该算法首先通过平均法背景模型确立背景,使用背景差分得到一幅二值化前景图像,然后将通过连续的多帧图像进行相邻帧差分得到的多幅二值化前景图像进行逻辑或运算,最后将运算结果同背景差分所得到的二值化前景图像进行逻辑与运算,得到最终运动目标区域;实验表明,该算法运算速度快,准确率高,并能满足实时检测的需要;不足之处是在摄像机与运动物体夹角很小的情况下,检测效果较差,但可以通过多台摄像机协同操作来达到理想的效果.     

统计建模与对象更新机制相结合的背景减法

基于混合高斯模型（Gaussian Mixture Models,GMM）或码书模型（Codebook,CB）的传统背景建模算法和改进后的G-KDE算法被广泛地运用于运动目标检测中,但是在光照突变、非静止背景和运动目标短暂停留再运动的场景中不能正确地检测出运动目标。针对以上问题,提出了一种从静止摄像机的视频序列中检测运动目标的背景减算法。通过统计像素的经历作为时间序列,利用核密度估计判断背景像素是否受到运动目标干扰,使用K-均值聚类算法的两个连续阶段来确定可靠的背景区域,通过像素更新适应渐进的光照变化,提出一种基于对象的背景更新机制适应突然的光照变化以及非静止背景、鬼影等干扰。对实际摄取的视频进行了仿真实验,结果表明该算法比其他三种方法检测运动目标鲁棒性更好,准确性更高。     

基于时空背景差的运动目标检测算法

假定图像序列的背景图像已经获得,提出一种基于时空背景差的运动目标检测算法.该算法融合背景差分、基于时间信息的帧间差分及基于空间信息的背景差分信息,得到真实运动物体的运动种子点,认为背景差分图像中包含运动种子点的连通区域为真实的前景目标,从而可以检测出正确而完整的前景目标.仿真实验表明,该算法可以避免背景模型对场景的表征不足及背景更新阶段造成的错误检测,即使在场景中存在微小运动的复杂环境下,仍能实现准确的运动分割.     

The background primal sketch: An approach for tracking moving objects

In this paper we present an algorithm that integrates spatial and temporal information for the tracking of moving nonrigid objects. In addition, we obtain outlines of the moving objects.Three basic ingredients are employed in the proposed algorithm, namely, the background primal sketch, the threshold, and outlier maps. The background primal sketch is an edge map of the background without moving objects. If the background primal sketch is known, then edges of moving objects can be determined by comparing the edge map of the input image with the background primal sketch. A moving edge point is modeled as an outlier, that is, a pixel with an edge value differing from the background edge value in the background primal sketch by an amount larger than the threshold in the threshold map at the same physical location. The map that contains all the outliers is called the outlier map. In this paper we present techniques based on robust statistics for determining the background primal sketch, the threshold, and outlier maps.In an ideal situation the outlier map would contain the complete outlines of the moving objects. In practice, the outliers do not form closed contours. The final step of the algorithm employs an edge-guided morphological approach to generate closed outlines of the moving objects. The proposed approach has been tested on sequences of moving human blood cells (neutrophil) as well as of human body motion with encouraging results.     

带有运动目标的复杂背景的提取

针对带有运动目标的复杂场景的背景抽取问题,采用了一种自适应背景建模算法,将运动目标看作是一个对背景图像的随机扰动,利用一段连续的图像序列经过中值滤波来消除运动对象的影响,而且当场景中发生动态变化时可同时对背景图像进行及时地更新。     

基于贝叶斯决策的运动目标检测方法

传统混合高斯背景建模存在难以解决背景复杂以及阴影等因素影响视频运动目标检测效果的问题,为此提出了一种基于贝叶斯决策的运动目标检测方法。该方法利用帧间差分进行像素变化检测,将像素粗分为变化像素和非变化像素;对于变化像素中的运动点和静止点,通过统计确立有效的数据结构,其中显著颜色分布统计量用来描述静止点,而显著颜色同现统计量描述运动点;从数据结构中提取颜色特征矢量,将特征矢量中的静止点和运动点按照贝叶斯决策规则进一步分类为背景点、前景点和颜色相似点。对颜色相似点进行局部加权处理以达到正确检测的目的;通过融合静止点集、运动点集和加权后的颜色相似点集结果提取出前景运动目标。仿真实验表明,该方法能够在不同复杂背景下较准确地检测出视频中的运动目标,相比传统算法具有较强的鲁棒性。     

基于SIFT特征匹配和动态更新背景模型的运动目标检测算法

运动摄像机情况下的运动目标检测是视频监控中的难点和热点问题。为了能够有效地检测出运动目标,提出了一个基于SIFT（Scale Invariant Feature Transform）特征匹配和动态背景建模的背景差算法。首先利用SIFT算法提取特征点,采用RANSAC（Random Sample Consensus）方法求得仿射变换模型参数并实现图像的全局运动补偿,然后用背景差方法实现运动目标的检测,同时进行阴影和鬼影的去除。SIFT特征点匹配的准确性和RANSAC方法去除异常点的有效性使得仿射变换模型参数计算准确,动态更新背景模型的背景差则完整地检测出了前景目标。与Ninad Thakoor实验结果对比说明：该算法能够准确地检测出运动目标,并且保持了前景目标的完整性。     

A robust framework for joint background/foreground segmentation of complex video scenes filmed with freely moving camera

This paper explores a robust region-based general framework for discriminating between background and foreground objects within a complex video sequence. The proposed framework works under difficult conditions such as dynamic background and nominally moving camera. The originality of this work lies essentially in our use of the semantic information provided by the regions while simultaneously identifying novel objects (foreground) and non-novel ones (background). The information of background regions is exploited to make moving objects detection more efficient, and vice-versa. In fact, an initial panoramic background is modeled using region-based mosaicing in order to be sufficiently robust to noise from lighting effects and shadowing by foreground objects. After the elimination of the camera movement using motion compensation, the resulting panoramic image should essentially contain the background and the ghost-like traces of the moving objects. Then, while comparing the panoramic image of the background with the individual frames, a simple median-based background subtraction permits a rough identification of foreground objects. Joint background-foreground validation, based on region segmentation, is then used for a further examination of individual foreground pixels intended to eliminate false positives and to localize shadow effects. Thus, we first obtain a foreground mask from a slow-adapting algorithm, and then validate foreground pixels (moving visual objects + shadows) by a simple moving object model built by using both background and foreground regions. The tests realized on various well-known challenging real videos (across a variety of domains) show clearly the robustness of the suggested solution. This solution, which is relatively computationally inexpensive, can be used under difficult conditions such as dynamic background, nominally moving camera and shadows. In addition to the visual evaluation, spatial-based evaluation statistics, given hand-labeled ground truth, has been used as a performance measure of moving visual objects detection.     

自适应背景筛选的运动对象检测算法

针对传统帧差法和背景差分法对运动对象检测不准确等不足,提出了一种自适应背景筛选的运动对象检测算法。该算法在采用帧差法构建的背景中标注出原图存在运动对象的区域,筛选当前运动对象区域未被标注且距当前时刻最近的背景与当前帧进行差分,从而提取前景运动目标。与帧差背景结合方法相比,该方法能更好解决因运动对象静止后融入背景建模而导致的检测对象不准确问题,且算法简单,易于实现,满足实时监控要求。实验结果验证了该算法的有效性。