基于帧间差分的自适应运动目标检测方法*

本文提出了一种基于帧间差分的自适应运动目标检测算法。算法利用直方图统计各像素点处最大概率灰度的方法提取出连续视频的背景图像;相邻帧利用帧差法得到运动区域图像;利用运动区域图像与背景图像差分的方法提取出运动目标。实验结果表明,该算法能在多个不确定性因素的序列视频中较好的提取背景图像,能及时响应实际场景变化,提高运动目标检测的质量。     

基于视觉传达的多帧图像特征目标跟踪仿真

针对当前方法提取的多帧图像目标特征精度较差,导致多帧图像特征目标跟踪准确率较低、跟踪时间较长的问题,提出了基于视觉传达的多帧图像特征目标跟踪方法。采用稀疏表示方法采集多帧图像目标特征,利用高斯分布构建图像运动模型,小波分析多帧图像灰度及细节特征,根据灰度投影法提取多帧图像目标特征,并匹配多帧图像特征点,获取多帧图像轮廓轨迹追踪目标,运用图像运动目标状态模型,求解前景轮廓的目标函数权重,实现多帧图像特征目标跟踪。实验结果表明,所提方法提取的多帧图像目标特征精度较好,能够有效降低多帧图像特征目标跟踪时间,提高多帧图像特征目标跟踪准确率。     

基于对称差分的背景减法运动目标检测

提出了一种基于对称差分和背景差分相结合的运动目标检测方法。先通过多帧图像平均法取得初始背景图像,并结合采集到的当前帧图像和前一时刻的背景获得更新背景,采用背景减法获取前景目标;同时运用对称帧差法取得前景图像,用两种差分图像进行或运算,提取到运动目标,用形态学方法进行后期处理。实验结果表明,该方法能够有效地获取运动目标。     

一种基于梯度方向信息的运动目标检测算法

运动目标检测是智能视觉监控系统的基本内容。在对现有算法分析的基础上提出了一种基于梯度方向信息的运动目标检测算法。首先利用方向信息提取视频图像序列中每一帧的边缘梯度图,然后通过改进传统帧差算法,采用uint8数据格式处理含有时间关系的两帧图像以此确定运动目标粗略边界,经运动目标连通域识别,最后结合梯度方向信息准确提取运动目标的完整轮廓。实验结果表明,该算法克服了传统帧差算法不能准确定位目标的缺点,在室内外复杂背景下均能准确地提取完整的目标轮廓。     

基于形态学的高斯模型和八邻域帧差法混合运动目标检测算法

针对视频中运动目标的提取问题,提出一种基于形态学的高斯模型和八邻域帧差法相融合的提取算法。该算法首先将视频中某些帧转化为灰度图,建立以混合高斯分布为基础的统计模型,并结合八邻域帧差法提取出运动目标的大致轮廓,然后利用自适应更新的高斯模型算法进行精确的减除,最后再进行形态学处理,从而使检测出的运动目标更加清晰完整。实验结果表明,该算法对含有低速运动物体、阴影较多的视频提取效果较好,具有很好的鲁棒性。     

背景帧差与分块帧差相融合的运动目标检测

提出一种融合使用背景帧差和分块帧差的运动目标检测方法。该方法通过对图像的每个像素点进行学习,然后建立初始背景,通过不完全覆盖分块法对图像进行分块,对各子块进行帧间差分实现对前景图像的粗提取,采用otsu算法获取阈值,运用背景差分对前景图像进行细提取。背景采用分段学习的更新方法,能够消除光照变化、背景物体摇动等噪声。实验结果表明,该方法快速、准确,抗干扰能力强,能较好地满足实时检测运动目标的要求。     

一种基于改进ViBe的运动目标检测方法

针对ViBe算法存在的不能有效去除背景噪声以及鬼影现象,提出一种结合帧差法和ViBe算法的改进算法。首先利用帧差法提取出运动目标的轮廓,然后根据得到的轮廓粗提取运动目标区域,最后在得到的运动目标区域基础上分类进行ViBe算法更新背景并分割出完整的运动目标。实验结果表明,此算法能够有效抑制噪声以及鬼影造成的影响,在速度方面也比原算法有所提高。     

一种基于三次帧差边缘交集的视频对象提取方法

为了克服利用变化检测分割视频对象过程中的噪声、复杂运动、暴露背景的影响，提出了一种新的视频对象分割方法。该方法利用间隔为k帧的两帧图像代替连续两帧求帧差，然后取三次帧差边缘的交集，并且对运动对象的断裂轮廓点进行连接。最后，通过填充和数学形态学处理实现视频对象的分割。试验结果表明，该算法能够自动精确的定位运动对象的外轮廓。     

基于彩色图像边缘差分的运动目标检测算法

针对目前常用的运动目标提取易受到噪声影响、易出现阴影和误检漏检等情况,提出了一种基于Sobel算子的彩色边缘图像检测和帧差分相结合的检测方法。首先用Sobel算子提取视频流中连续4帧图像的彩色边缘图像,然后将边缘图像进行隔帧差分相与,提取出较精确的运动目标边缘轮廓。提取的轮廓经过一系列的形态学操作填充,可得到完整的运动目标。实验结果表明,该方法对运动目标边缘轮廓提取准确,抗噪能力强,且鲁棒性好。     

一种运动背景下移动目标的检测方法

针对全局运动视频序列中的目标检测,提出了改进的灰度投影算法.通过对灰度投影相关曲线的分析,根据其单峰性特征,提出了三点局域自适应搜索算法,该方法能够快速的估计出前后两帧之间的运动矢量.然后以参考帧图像背景为参照,映射当前帧的背景信息,以此补偿全局运动矢量,将连续几帧图像的相同背景稳定在同一幅图像的相同位置上,从而能够利用改进的连续三帧差分法准确地检测出运动目标,并根据目标的特征进行分类识别.实验结果表明,该方法能够有效地从视频序列中提取和识别出运动目标.     

Fast and accurate extraction of moving object silhouette for personalized Virtual Reality Studio @ Home

Accurate segmentation of moving object silhouette in a real-time video is very important for object silhouette extraction in the vision-based interactive systems. However, the inherent problem of moving object segmentation based on the background subtraction criteria is to distinguish the changes occurring from background disturbing effects such as noise, shadows and illumination changes. The present paper proposes a hybrid method based on the background subtraction criteria that preserves the boundary of moving object and also robust against the noise and illumination changes. In the proposed method, the object regions are well identified by fusing the results from the background difference and motion-based change detection criterion. The shadows and highlights are well detected by utilizing the normalized luminance and background difference in Hue and Saturation component. The paper also introduces a novel connected component analysis procedure for detecting the object blob from the noise blobs, and a robust pixel-based background update scheme for updating the dynamic changes in the background. Moreover, the computational complexity of the proposed algorithm is analyzed. The proposed method has been implemented and evaluated regarding the segmentation quality and the frame rate. Further, the method has been shown to successfully extract the moving object silhouette and robust against the disturbing effects. Moreover, the proposed method has been tested in the VR@Home platform.     

基于均值漂移聚类的运动目标检测

为了有效减少噪声对运动目标检测的影响,提出了一种利用均值漂移聚类实现运动目标检测的方法。首先运用Mean Shift算法分别对三帧连续图像进行平滑去噪处理,然后对图像进行边缘提取,最后通过三帧差分法对三帧图像进行差分,进而得到运动目标。实验结果表明,该方法可以有效地抑制噪声并提取出运动目标。     

融合时域信息的修正分水岭视频分割新方法

提出一种将时域信息融入分水岭的视频分割新方法,以帧间变化检测为基础,通过运动边缘信息得到对象的初始模型,利用时域信息得到前景和背景的标识,结合提出的彩色多尺度形态学梯度算子进行分水岭分割,得到具有精确边界的视频对象,对慢变和快变的目标均有良好的效果,能够检测新出现的运动对象和现有对象的消失,能够定位和跟踪运动目标.继承了变化检测和分水岭算法速度快的优点,克服了两者易受噪声影响的缺点.     

基于块仿射分类和HD跟踪的视频分割方法*

提出一种自动视频分割方法,分为运动对象检测、对象跟踪、模型更新、分水岭轮廓提取四个阶段。与变化检测方法不同,该基于块的运动分类器能够检测背景具有一致运动情况下的运动对象。自动得到运动对象的二值模型并在随后帧中使用Hausdorff距离进行跟踪。将视频对象运动分为慢变和快变两部分,分别结合背景边缘模型进行匹配更新。最后提出彩色多尺度梯度修正的分水岭算法提取对象的轮廓。实验证明了算法的有效性。     

竞技运动目标的提取及视频合成与比较

以跳远运动的视频分析为背景,介绍了背景差分和连续帧间差分相结合的运动目标提取方法及其实现过程,给出了两个不同运动目标的视频合成和同屏同步播放的视频比较方案,为竞技运动训练的科学化、现代化提供了有力的支持.     

基于改进的tMHI的实时视频运动目标检测及跟踪

提出了一种对视频图像进行实时目标分割及跟踪的新方法。该方法利用基于时间片的运动历史图像（tMHI）的灰度阶梯轮廓，对存在的子运动区域进行包围划分并予以标记，实现视频图像中运动目标的实时分割，进而将每帧tMHI图像中各个运动区域同场景中运动目标连续关联起来，实现对多运动目标的轨迹跟踪。为了提高分割质量，对tMHI进行了改进处理，去除了大部分噪声干扰，取得了明显的改善效果。实验表明，该方法可以有效地分割并跟踪视频中的多个运动目标，鲁棒性好，检出率较高，并且处理速度较快，达到了实时性的要求，还解决了局部粘连的问题。     

Detection and classification of vehicles from omnidirectional videos using multiple silhouettes

To detect and classify vehicles in omnidirectional videos, we propose an approach based on the shape (silhouette) of the moving object obtained by background subtraction. Different from other shape-based classification techniques, we exploit the information available in multiple frames of the video. We investigated two different approaches for this purpose. One is combining silhouettes extracted from a sequence of frames to create an average silhouette, the other is making individual decisions for all frames and use consensus of these decisions. Using multiple frames eliminates most of the wrong decisions which are caused by a poorly extracted silhouette from a single video frame. The vehicle types we classify are motorcycle, car (sedan) and van (minibus). The features extracted from the silhouettes are convexity, elongation, rectangularity and Hu moments. We applied two separate methods of classification. First one is a flowchart-based method that we developed and the second is K-nearest neighbour classification. 60% of the samples in the dataset are used for training. To ensure randomization in the experiments, threefold cross-validation is applied. The results indicate that using multiple silhouettes increases the classification performance.     

基于帧差与统计法的运动图像背景提取算法

背景提取是摄像头静止的运动图像处理的基础技术之一。针对一般背景提取算法运算复杂、实时性差等缺点,提出一种新的基于帧间差分与选择性统计相结合的背景提取算法。通过帧间差分和统计,对图像进行分块选取,削弱运动物体和噪声对于像素分布的影响。实验表明,该算法所取得的背景效果良好,并可快速有效地对背景进行提取和更新。     

一种采用高斯模型的步态轮廓分割算法

步态识别中大多采用步态轮廓作为识别特征,因此提取完整封闭的运动人体轮廓以准确表达步态特征是正确识别的前提。本文提出一种采用高斯模型的步态轮廓分割算法。在人的运动方向与摄像机成像面平行和摄像机静止的条件下,假设序列图像所有帧中对应像素点背景时刻的灰度值在时间轴上是高斯分布,而目标时刻不满足这种分布,采用统计推断的方法分割出运动目标轮廓。实验结果表明,本文算法不仅能够提取出完整的人体轮廓,并且能有效地去除噪声,对阴影抑制也有一定效果,能够提高步态识别率。算法直接在RGB空间或灰度空间进行,无需进行颜色空间转换,也无需建立单独的背景图像,计算量小,处理实时性高。     

应用改进混合高斯模型的运动目标检测

在运动目标检测过程中,背景建模对目标提取至关重要,而混合高斯模型是目前背景建模中较流行的方法之一。针对混合高斯模型中存在的不足做了两点改进：（1）混合高斯模型是对各点孤立建模,对于拥有较高的分辨率的图像运算量较大,引入分块建模思想,可以明显提高目标检测的速率而且考虑到像素点之间的空域信息;（2）混合高斯模型对运动目标停留在场景中某一位置停留过长时,会出现将前景转化成背景,以致于产生目标在场景中消失的现象,根据目标在场景中运动与静止的情况,决定是整帧更新还是只更新背景区域。通过实验可以得出,该算法在不影响识别的情况下可以显著地提高运动目标的检测速率,而且可以减少部分噪声,另外也能有效地克服目标转化为背景的情况,从而保持了运动目标出现的连续性。