基于运动信息与多尺度分水岭的视频目标分割

从视频序列中提取视频目标是基于内容编码中的一项关键技术。提出了将高阶统计运动检测和多尺度分水岭相结合的视频目标分割算法。该算法首先利用高阶统计运动检测算法检测出运动区域,通过后处理得到运动目标的初始模板。然后,用小波变换对视频图像进行多分辨率分解。在最低分辨率上应用分水岭算法分割得到具有精确边缘的分割区域,通过将区域融合后的区域逐步投影到高分辨率图像上并结合高分辨率图像上的分水岭算法逐步提取出具有精确边缘的区域。最后,将运动目标的初始模板和多尺度分水岭分割得到的区域结合起来提取出具有精确边缘的视频对象。实验结果表明该算法能有效地分割和提取出视频序列中的视频对象。     

一种基于交通视频车辆阴影去除算法的研究

车辆识别是智能交通系统的主要研究课题,而阴影是影响车辆识别的最主要原因。根据车辆阴影形成的光学特征,提出一种基于自动标记的OSTU双阈值图像增强车辆阴影去除算法。首先使用改进的统计直方图背景更新算法进行背景更新,获取背景图像。其次使用背景差分运算求取包含移动阴影的前景二值图像。最后使用改进的自动标记算法对所得二值图像的连通区域进行标记,然后分别对每一个标记的连通区域所对应的实际图像使用OSTU双阈值图像分割方法进行分割,并对所得的分割区域进行不同程度的灰度增强。在视频检测实验中,该算法不仅能够有效消除移动阴影,而且在一定程度上克服了阴影误检等问题。实验结果表明,该改进方法在阴影消除方面的有效性。     

基于改进分水岭算法的运动目标行为理解

提出一种改进的分水岭运动目标检测方法。进行背景差分,利用Otsu算法进行阈值处理和形态学去噪,得到初始二值化的运动目标区域;对前景和背景对象进行标记,在此基础上采用分水岭算法进行运动目标的精细分割,根据分割产生的彩色标记矩阵的颜色特征进行目标跟踪;利用运动目标的面积和质心运动轨迹等信息对运动目标的一些典型行为进行理解,对车辆等目标的轧越分道线、异常停车、逆行等行为进行检测。实验结果表明,该算法克服了传统分水岭算法易产生过分割的缺陷,在目标聚集或粘连时能实现多目标的稳定跟踪,可对车辆等运动目标的异常行为进行判别。     

基于SUSAN算子与分水岭算法的图像分割方法

针对分水岭图像分割算法中的过分割问题,提出了一种结合SUSAN算子和分水岭算法进行图像分割的方法.该方法首先用SUSAN算子对原始图像进行划分,检测出图像中不包含边界的区域,然后将检测结果作为标记符在梯度图像上进行标记,最后用分水岭算法对带标记的梯度图像进行分割.试验结果表明,该方法具有较好的分割效果.     

一种基于小波和分水岭算法的图像分割方法

用分水岭方法进行图像分割时,容易造成图像的过度分割。为了克服这种缺点,提出了一种基于小波变换和分水岭算法的图像分割方法,该方法首先利用小波变换产生多分辨率图像,然后对最低分辨率图像进行应用标记的分水岭分割,得到初始的分割区域,最后利用区域标记和小波反变换,得到高分辨率图像的分水岭分割结果,从而较好地解决了分水岭变换方法中的过度分割问题。     

基于时空关系模型的城市道路车辆实时检测

复杂城市道路环境下运动车辆目标检测是现代智能交通系统的重要组成部分.依据多帧视频图像序列的时空连续变化关系,通过构建多帧视频图像序列时空关系模型（Time-space model——TSM）,进一步完善车底阴影特征检测算法,并与AdaBoost算法相结合,实现运动车辆目标检测的候选区域筛选与验证处理,以降低车辆检测的误检率,提高准确率.在白天复杂城市道路环境下,实验结果显示基于TSM的车辆检测,检测准确率为92.1%,误检率为4.3%,图像分辨率为1920*1088,单帧图像平均处理时间76 ms.基于TSM的车辆检测显著改进了AdaBoost和车底阴影特征检测算法存在的误检率高,效率低问题,满足城市道路环境下车辆检测准确率和鲁棒性的要求.     

一种基于小波和分水岭算法的图像分割方法

用分水岭方法进行图像分割时，容易造成图像的过度分割。为了克服这种缺点，提出了一种基于小波变换和分水岭算法的图像分割方法，该方法首先利用小波变换产生多分辨率图像，然后对最低分辨率图像进行应用标记的分水岭分割，得到初始的分割区域，最后利用区域标记和小波反变换，得到高分辨率图像的分水岭分割结果，从而较好地解决了分水岭变换方法中的过度分割问题。     

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.     

交通场景中车辆的运动检测与阴影消除

提出一种算法框架实现对交通场景中运动车辆的分割。首先,提出一种基于颜色空间的浮动气球模型,用以解决监控场景的自适应背景建模问题,该方法解决了基于参数模型的背景建模方法无法检测驻留物体的问题,并可有效适应监控场景中的光照变化以实现自适应更新;其次,针对通过背景建模和背景差分得到的运动前景区域包含运动车辆阴影问题,提出一种新的阴影检测算法,该算法采用多特征融合的方法实现了对运动车辆的分割。实验结果分析表明,与其他方法相比,该算法框架在背景建模和阴影检测方法具有较好的效果。     

基于梯度统计和区域生长融合的运动车辆阴影检测方法

针对在视频对象分割时,运动阴影常被误分为视频对象的问题,提出了一种融合阴影模型和特征的阴影检测方法。用聚类识别的算法提取背景,获得包含阴影的前景,算出前景与背景梯度差。对梯度差投影,根据投影后得到的序列及其差分序列进行阴影区域初步检测,根据初步检测结果,运用区域生长算法搜索出全部阴影。实验结果证明,本方法检测效果好,速度快,能够应用于车辆阴影的实时检测。     

基于背景减除法的视频序列运动目标检测

视频序列中运动目标的检测是目标识别、标记和追踪的重要组成部分,背景减除法是运动目标检测中被广泛应用的算法。针对光线变化、噪声和局部运动等影响运动目标检测效果的问题,提出一种基于背景减除法的视频序列运动目标检测算法。该算法结合背景减除法和帧间差分法,对当前帧像素点的运动状态进行判断,分别对静止和运动的像素点进行替换和更新,采用最大类间方差（Otsu）法对差分图像进行目标提取,并使用数学形态学运算去除目标中的噪声和冗余信息。实验结果表明,所提算法对于视频序列中运动目标的检测具有较好的视觉效果和较高的准确度,能够克服局部运动以及噪声等缺陷。     

基于背景建模的VideoSAR动目标阴影检测方法

针对视频合成孔径雷达(video synthetic aperture radar,VideoSAR)数据进行地面运动目标检测的问题,本文提出了一种基于单高斯背景模型的VideoSAR动目标阴影检测方法.该方法使用一个时间维度的滑窗对视频序列进行处理:首先使用RED20深度神经网络模型抑制VideoSAR图像的斑点噪声...     

全天候车辆实时检测系统

为解决全天候车辆检测技术精度不高的难题,提出了一种新型联合检测算法。通过在混合高斯背景建模法中加入膨胀、腐蚀算法,减少了视频车辆图像中的大量断点和随机噪声;利用最小面积法设置外接矩形框并通过不断调整矩形框的大小和位置,准确框选出视频图像中的目标车辆。由于夜间光线场景复杂,以能被明显区分的车前灯作为目标,通过直方图双峰阈值法和分水岭分割法将其从视频图像的背景中分离,并基于车前灯的形态参数,设置合适的车灯匹配条件,提出一种实时的车灯配对、车辆跟踪算法,大幅提高了夜间车辆检测的准确度。提出的新型联合车辆检测算法,有效地消除了由于外界光线环境改变造成的车辆检测误差,为全天候车辆检测提供了新思路,具有很强的针对性和重要的现实意义。     

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。     

改进型虚拟线式视频车辆检测算法

在智能交通系统中,虚拟线式视频车辆检测算法广泛应用于交通流检测。虚拟线式视频车辆检测算法仅利用像素的亮度信息,受阴影和图像噪声的影响较大,在某些情况下认假率和拒真率比较高。为此提出一种改进型算法,采用两级检测方式,兼用了像素的亮度信息和色度信息。第一级处理利用亮度信息进行检测,第二级处理利用色度信息进行检测,根据色度信息修改亮度阈值。实验结果表明,改进型算法可有效克服阴影和图像噪声的影响,平均认假率为0.71%,平均拒真率为0.81%,与原算法相比均有明显降低,并且满足实时性要求。     

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.     

基于低秩矩阵分解的运动目标检测

运动目标检测是视频监控任务的基础问题之一,针对灰度信息,目标检测存在的阴影识别能力差、检测精度低等问题,提出在HSV颜色空间下基于低秩矩阵分解的运动目标检测算法.首先将获取的RGB图像转为HSV颜色空间分量,分别对H、S、V通道构建低秩观测量,进行低秩矩阵优化分解,分离出不同颜色通道的前景和背景分量;组合H、S、V通道分量的前景图像,得到粗略的运动目标区域;再采用HSV颜色阴影去除去除前景图像中的阴影;最后经噪声去除和空洞的填充,检测得到准确的前景运动目标.实验验证表明,与其它方法相比,能够有效地提高运动目标检测的准确度.