改进基于HSV空间的阴影检测算法

为实现复杂视频中前景目标的分割,需要解决前景目标准确提取难题,但在光照情况下,会受到阴影影响。为解决这一难题,提出一种结合高斯混合模型的HSV颜色空间阴影检测算法。对HSV颜色空间阴影检测进行修正,消除对非运动目标区域阴影的误检,加入运动目标轮廓检测,消除运动目标边缘阴影误检,得到运动目标阴影的准确检测。实验结果表明,该算法能有效检测复杂背景下的阴影目标,为获得准确分割前景目标奠定基础。     

基于局部纹理不变性的运动阴影去除算法

视频序列运动目标检测过程中,运动目标往往会连同其投射阴影一起被检测为前景,这不利于对运动目标的进一步分类、识别等高层次视觉处理。为了提高运动目标检测的准确性,提出利用局部纹理不变性去除运动目标阴影。首先根据阴影的亮度色度属性分割出疑似阴影区域,然后在疑似阴影区域采用增强的局部纹理描述算子(ILT)提取纹理特征,利用背景在阴影覆盖前后的纹理相似性来去除阴影,最后结合阴影的空间几何属性优化运动目标检测结果。实验结果表明该算法可以有效去除阴影,并且具有较好的实时性。     

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。     

一种基于运动阴影的目标检测算法

运动阴影常被误划为目标并干扰目标的分割和跟踪,所以阴影检测在许多图像监控系统中都非常重要.本文研究传统阴影检测算法.针对传统算法受特定条件约束不能自动适用于不同场景的不足,提出一种在场景特征未知情况下的阴影检测算法.算法综合考虑颜色信息、空间信息和纹理信息,利用阴影的颜色、空间和纹理属性在待分析区域中确定其造成的颜色形变,通过使用颜色形变补偿和纹理校正检测到运动阴影.基于不同图像的实验结果表明该方法的有效性.     

一种改进的运动目标检测和阴影消除算法

提出一种改进的运动目标检测算法,以准确检测不同光照条件下的运动目标。针对前景检测时出现的阴影,提出基于边缘信息的阴影消除算法。该算法与阴影方向无关,能去除目标各方向的大部分阴影,为视频监控系统的后续高级处理排除了阴影干扰。在配置为 2.0 GHz的P4计算机上运行,速度约为20帧/s。实验结果表明了算法的实时性、可靠性和准确性较好。     

基于判别模型的视频前景/阴影自动分割算法

活动阴影是影响视频目标分割准确性的重要因素,有效检测与消除活动阴影是视频分割的一大难题.本文提出一种基于判别模型的前景/阴影自动分割算法.它能在室内户外多种环境中对活动阴影进行检测和消除.算法在像素级别上对背景、阴影以及前景进行建模,利用二维条件随机场对这些分布模型进行约束,通过概率图模型推断算法求出全局最优的分割结果.在实验中采用各种环境的视频数据对本文算法的有效性进行测试,并与其他分割算法的结果进行比较,证明本文算法的误分率较低.     

一种基于区域的车辆阴影消除方法

该文给出了一种基于区域的车辆阴影检测方法。首先将运动前景像素检测出来,利用梯度特征分割运动前景的连通域获取投射阴影的方向,然后再结合区域内的角点及灰度相似性特征分割车辆和其阴影像素。实验结果表明该方法可以有效的检测阴影,并且能够满足实时性的要求。     

一种基于统计模型的前景阴影消除算法

视频图像中存在的阴影是影响运动目标检测效果的关键因素之一,对阴影进行检测和消除已成为运动检测中的重要研究内容.针对阴影消除问题,本文采用直方图统计方法,将阴影特征引入到传统混合高斯模型中,基于统计特征建立阴影高斯模型;在模型基础上,提出一种新的前景阴影消除算法,将前景像素与阴影模型进行匹配,实现阴影的判定和消除.与同类算法的对比分析表明:本文算法对于不同场景下的阴影消除是准确且实时的,在阴影检测率和阴影区分度上均有显著提升.     

室内视频中基于边缘的运动阴影去除算法

针对运动提取算法总是将运动阴影错误检测为运动前景,提出一种基于边缘信息的室内运动阴影去除算法.首先用Canny算子提取输入图像的边缘,同时对输入图像进行梯度分割;其次利用运动边缘的属性提取属于真实前景的运动边缘;再次得到靠近运动边缘的真实前景的部分边界;最后通过文中提出的边界跟踪技术构建出完整的前景边界,从而提高运动前景的检测精度.仿真实验表明,对不同的光源距离、不同的阴影投影方向及不同颜色前景引起的运动阴影,算法都能鲁棒地分离目标及其阴影区域.     

运动目标检测中的阴影去除方法

采用背景差分法检测运动目标时常常将阴影点检测成前景点,对目标分割与提取产生严重影响。为了准确提取运动目标,提出了一种基于YUV颜色空间色度畸变和一阶梯度模型进行阴影去除的方法。实验表明该算法抗干扰能力强,而且复杂度较低,易于实现实时运动图像处理。     

视频监控中一种完整提取运动目标的检测算法

提出一种视频监控中完整、精确提取运动目标前景的检测算法.首先对彩色图像建立混合高斯模型,由背景差分法得到基本准确的前景图像;然后和对称差分法图像综合,得到完整可靠的运动目标图像;再利用亮度信息消除运动目标阴影;最后利用形态学滤波和连通区域面积检测进行后处理.实验结果表明,该算法检测的运动目标前景信息完整准确,对固定场景下的视频监控系统具有一定实用价值.     

Moving Shadow Detection and Removal for Traffic Sequences

Segmentation of moving objects in a video sequence is a basic task for application of computer vision. However, shadows extracted along with the objects can result in large errors in object localization and recognition. In this paper, we propose a method of moving shadow detection based on edge information, which can effectively detect the cast shadow of a moving vehicle in a traffic scene. Having confirmed shadows existing in a figure, we execute the shadow removal algorithm proposed in this paper to segment the shadow from the foreground. The shadow eliminating algorithm removes the boundary of the cast shadow and preserves object edges firstly; secondly, it reconstructs coarse object shapes based on the edge information of objects; and finally, it extracts the cast shadow by subtracting the moving object from the change detection mask and performs further processing. The proposed method has been further tested on images taken under different shadow orientations, vehicle colors and vehicle sizes, and the results have revealed that shadows can be successfully eliminated and thus good video segmentation can be obtained.     

一种精确的运动目标外轮廓提取方法

视频监控系统中的运动目标外轮廓是对运动目标语义分析的重要信息源。针对经过简单的形态学处理运动目标区域而提取的外轮廓方法中的一些缺陷,提出一种更精确的方法。首先通过前景检测得到粗略确定的运动目标区域,然后通过分水岭方法进行外轮廓区域粗略定位,最后通过阴影去除及目标重构进行外轮廓区域精确定位,从而提取精确的外轮廓。利用外轮廓的准确率、查全率、综合性能指标,实验结果表明,能够得到精确的外轮廓。     

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.     

基于混合高斯模型与码本算法的前景目标检测

提出一种基于混合高斯模型(GMM)与码本算法的前景目标检测方法。利用GMM进行背景图像建模并初步提取前景对象,对背景图像进行码本学习,将码本建模得到的前景对象与GMM得到的前景对象相融合,根据前后2次帧间差分得到前景对象的比例关系,自适应地更新高斯参数和扩展码字,得到前景对象目标。实验结果表明,该方法实时性好,可消除视频序列中的阴影和鬼影,提取完整的前景对象。     

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.     

一种基于Boosting判别模型的运动阴影检测方法

在视频处理中,由于运动阴影具有与运动前景相同的特性,当在提取前景时,会误把阴影检测为前景.特别是当阴影和其它前景发生粘连时,这可能会严重地影响跟踪、识别等后续处理.该文提出了一种用于运动阴影检测的Boosting判别模型.这种方法先利用Boosting在不同的特征空间来区分前景和阴影,然后在判别随机场(DRFs)中结合前景和阴影的时空一致性,实现对前景和阴影的分割.首先,差分前图像与背景图像得到颜色不变子空间和纹理不变子空间;然后在这两个子空间上应用Boosting来区分前景和阴影;最后利用前景和阴影的时空一致性,在判别随机场中通过图分割的方法准确地分割前景和阴影.实验结果表明,无论是在室内场景,还是在室外场景,该文的方法要好于传统的方法.     

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.     

基于纹理特征改进的GFL运动目标提取方法

基于广义融合套索（GFL）前景模型，融合视频的纹理特征，提出一种基于纹理特征的运动目标提取方法。方法通过GFL前景模型提取前景运动目标和背景，再利用LBP算法提取前景与背景在多个方向上的纹理特征，比较两者纹理特征的相似度，去除前景中的投射阴影，解决由于运动目标遮挡产生的阴影问题，同时还引入误判率去描述模型的准确度。通过对广场、办公室以及体育馆等实际场景进行测试，实验表明提出的算法能够有效去除运动目标产生的阴影。     

非凸加权核范数及其在运动目标检测中的应用

目的 近年来,低秩矩阵分解被越来越多的应用到运动目标检测中。但该类方法一般将矩阵秩函数松弛为矩阵核函数优化,导致背景恢复精度不高;并且没有考虑到前景目标的先验知识,即区域连续性。为此提出一种结合非凸加权核范数和前景目标区域连续性的目标检测算法。方法 本文提出的运动目标检测模型以鲁棒主成分分析(RPCA)作为基础,在该基础上采用矩阵非凸核范数取代传统的核范数逼近矩阵低秩约束,并结合了前景目标区域连续性的先验知识。该方法恢复出的低秩矩阵即为背景图像矩阵,而稀疏大噪声矩阵则是前景目标位置矩阵。结果 无论是在仿真数据集还是在真实数据集上,本文方法都能够取得比其他低秩类方法更好的效果。在不同数据集上,该方法相对于RPCA方法,前景目标检测性能提升25%左右,背景恢复误差降低0.5左右;而相对于DECOLOR方法,前景目标检测性能提升约2%左右,背景恢复误差降低0.2左右。结论 矩阵秩函数的非凸松弛能够比凸松弛更准确的表征出低秩特征,从而在运动目标检测应用中更准确的恢复出背景。前景目标的区域连续性先验知识能够有效地过滤掉非目标大噪声产生的影响,使得较运动目标检测的精度得到大幅提高。因此,本文方法在动态纹理背景、光照渐变等较复杂场景中均能够较精确地检测出运动目标区域。但由于区域连续性的要求,本文方法对于小区域多目标的检测效果不甚理想。