智能视频监控中运动目标检测的研究

针对某武器试验中背景复杂,现有的背景差分法在背景模型的维持和更新不能用于长期和复杂的场景,以及对近地目标提取检测困难的问题,提出一种改进的背景差分法。该算法采用结合邻域信息的背景差分法和最大方差阈值法,能够在一定程度上减小背景滞后更新引起的运动目标检测误差,且使目标边缘提取更加明确,从而提高了系统的运行速度,实现复杂背景下的运动目标检测。在Visual C＋＋6.0中用OpenCV实现了相关算法的设计,并给出了完成系统任务所需的部分关键代码,实现了运动目标和试验场景的分离与提取。仿真实验验证了该算法的有效性以及实时性。     

基于朗斯基函数的混合高斯模型运动目标检测*

针对传统的混合高斯模型在进行运动目标检测时存在拖影和性能差的缺点,本文提出了一种融合朗斯基函数和帧间差分法的混合高斯背景建模算法。该改进算法通过朗斯基矩阵行列式判断相邻像素间空间域相关性,以此增加模型参数更新条件,改进模型参数更新机制;并利用帧间差分法检测运动目标轮廓的灵敏性,将两种检测结果布尔或运算,完善目标轮廓。实验结果表明,该改进算法对拖影现象达到很好的抑制作用,并使算法检测性能得到提高。     

动态背景下运动目标检测与跟踪研究

主要研究动态背景下的运动目标检测和跟踪问题。背景补偿差分法是一种常用的动态背景下运动目标检测算法,但检测到的目标轮廓要比其真实轮廓大,检测结果不准确且算法复杂度较高。主动轮廓模型在图像分割和目标提取过程中具有拓扑结构变化灵活性,对数值计算方案的设计更加方便、有效,据此提出一种基于改进C-V模型和卡尔曼滤波的算法,用来检测和跟踪动态背景下的运动目标。提出的算法利用C-V模型曲线演化检测和跟踪目标,使C-V模型在目标的边缘处收敛。结合卡尔曼滤波预测运动目标下一帧位置,从而实现对运动目标轮廓的跟踪。实验结果表明,该方法可以对动态背景下运动目标进行精确的检测与跟踪。     

视频序列中运动目标检测算法

提出一种结合区域级和像素级背景差分法的目标检测算法,可以有效解决视频序列中噪声分布不均问题。利用一种基于熵能的局部自适应阈值划分出前景和背景,在此基础上对前景和背景邻接区域像素点进行检测,并提出一种自适应光线变化的背景更新算法。实验结果表明,该算法比传统单阈值背景差分法抗噪能力更强,检测目标轮廓更加完整,能够准确检测出运动目标。     

基于G-GMM的视频序列运动目标检测算法研究

为了能够从视频序列中快速准确地检测运动目标,在混合高斯背景差分法的基础上引入Grabcut算法,提出了一种新的运动目标检测G-GMM(Grabcut-Gaussian Mixture Model)算法。首先通过混合高斯模型背景差分法提取运动目标初始二值轮廓,构建其最小的外接矩形;然后初始化矩形内图像信息,寻找潜在前景区域;最后采用迭代算法实现最优化分割,得到准确的运动目标轮廓。实验结果表明,在静止摄像机户外视频监控系统中,提出算法具有较高的准确性和鲁棒性,对刚性和非刚性两类目标都具有较好的检测结果。     

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。     

改进混合高斯模型的电网检修人员行为检测

针对运动目标检测,当前算法具有一定的适用性和局限性,以及检测信息不完整等问题,在帧间差分法和混合高斯模型的基础上,提出了一种改进的混合高斯模型的目标检测算法,用来解决帧间差分法造成的运动目标背景轮廓不完整的问题.该方法是在传统的混合高斯模型的基础上,在一定帧数内,检查所有的高斯分布的权重,对满足条件的高斯分布进行删除操作,最终得到轮廓较为清晰的运动目标.实验结果表明,本文算法充分的考虑了背景人物对于运动目标监测产生的影响,实验过程中使用了真实的电网数据,从而说明该算法在准确度上相比于其他算法提高了3.37%,具有更好的准确性和对环境的适应能力.     

基于卡尔曼滤波的背景更新算法

在基于视频的运动目标检测算法中,背景差分法是一种常用的算法,可是由于时间推移,外部光照和阴影发生变化,会导致背景不断发生变化,因此背景的更新是很重要的一部分,直接影响到目标检测的提取效果。该文提出了基于卡尔曼滤波的背景更新算法,实时实现背景更新,通过滤波器分出运动目标扰动,得到背景模型序列。算法简单,能较好的处理光照变化,有效的实现背景更新。     

一种基于背景减除与三帧差分的运动目标检测算法

本文提出一种基于背景减除法和三帧差分法来进行运动目标检测的算法.首先运用Surendra背景更新算法建立运动区域的背景模型,通过背景减除法确定运动目标区域,后与三帧差分法得到的差分图像相结合,得到比较可靠的运动目标区域.实验结果表明,该算法准确率高,运算速度快,能满足实时检测的需要.     

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。     

头肩视频中运动物体的自动精确提取技术

针对头肩视频序列,提出了一种头肩视频对象的自动精确提取算法.该算法运用改进的背景记录技术建立可靠的背景图像,结合背景差和帧差检测出运动物体区域;通过新的时域滤波器和后处理以增强检测结果的时域连贯性和空域完整性;最后提出一种改进的分水岭算法精确定位视频对象边缘.实验结果表明,文中算法能有效地提取出头肩视频对象以获得精确的边缘,且满足实时性要求.     

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。     

一种非刚体目标的视频分割算法

视频分割是目标识别的关键技术。论文在对现有算法的分析,尤其是对空间分割中K均值算法和时间分割中的背景登记算法分析的基础上,改进了K均值算法,提出了一种基于时空结合的符合人眼对颜色变化敏感因素的分割算法。其基本思想是对视频序列分别做时间和空间分割,然后根据贝叶斯分类法对上述分割结果进行区域合并,即二次分类,从而得到分割结果。实验结果表明,论文提出的分割算法在保证算法效率的前提下,提高了分割的精度。     

边缘检测与混合高斯模型相融合的运动目标检测算法

针对传统的混合高斯模型不能很好地处理突变的情况,提出了一种新的运动目标检测算法。该算法在时间域上对混合高斯模型的更新机制进行了改进,并对模型加入了帧间处理,提取出初步的运动目标;在空间域上,通过Canny边缘检测算子获得初步的运动目标边缘轮廓,利用图像金字塔的多分辨特性排除背景噪声,经过一定运算再次得到运动目标。将两次得到的运动目标作"与运算",提取出最终的运动目标。实验结果表明,本算法可以较好地处理突变情况,提取的运动目标图像完整、轮廓清晰。     

一种融合ViBe与多特征提取的微动目标检测算法

为实现前景微动目标的准确提取,克服提取过程中的高误检率等难题,对CbCr分量、RGB和SILTP特征建立背景模型,提出一种融合多特征的ViBe背景建模改进算法。首先引入LBSP算子,改进LBP-TOP纹理编码方式,利用得到的纹理特征计算当前帧的时/空域前景概率,从而建立起接近真实背景的CbCr背景模型;然后结合局部像素复杂度和3种特征的变化情况改进ViBe判别与更新方法,利用背景减除和形态学处理得到完整的前景目标进行背景替换。实验结果表明,所提算法能有效分割视频图像中的微动目标并实现背景替换。     

基于模型切换的自适应背景建模方法

提出了一种基于模型切换的背景建模方法 (MSBM). 该方法以熵图像为纽带, 实现了不同精细程度的背景模型在空间上的自适应选取和在时间上的自适应切换. 对于亮度分布复杂度高的背景区域采用精细的模型以保证运动目标检测的精度, 反之采用简单的模型以降低计算量. 通过模型结构自适应结合参数自适应, 很好地兼顾了检测精度和计算代价. 基于高斯混合模型和时间平均模型的双模型切换式运动目标检测算法被用于实验研究, 结果表明这种算法的检测效果和单独采用高斯混合模型的检测效果相当, 而计算速度却比后者提高很多.     

结合核密度估计和边缘信息的运动对象分割算法

针对前景与背景具有相似颜色时的运动对象分割问题,提出一种结合核密度估计和边缘信息的分割算法.在前景和背景建模阶段使用颜色信息的基础上,引入边缘信息来构造前景和背景的概率模型;然后在马尔可夫随机场框架下引入与概率模型有关的似然能量项,以及反映空域连续性和时域一致性的能量项,并利用图切割方法来获得可靠的运动对象分割结果.实验结果证明,对于前景与背景具有相似颜色的视频序列,该算法降低了对象分割误差,显著地提高了整个序列中对象分割的鲁棒性.     

一种时域和梯度域相结合的视频对象提取算法

为了从复杂背景中精确地提取出视频对象,提出了一种融合时域和梯度域信息的视频对象提取算法,可以有效地提取出复杂背景下的视频运动对象,并解决前景与背景一致情况下,背景剔除方法所带来的空洞问题。首先在时域空间中分别采用背景剔除和帧间差分方法生成初步的视频对象,并利用形态学中的二值腐蚀和膨胀方法对视频对象进行处理;然后,在梯度域空间中用Sobel算子进行视频对象边缘检测,并结合时域空间中的视频对象,生成精确的视频对象轮廓边缘;最后,采用启发式搜索方法连接视频对象轮廓边缘点,进而提取出视频对象。实验结果表明,该方法能够比较完整精确地从复杂背景中提取出视频对象。     

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.