基于区域提取与改进LBP特征的运动目标检测

树叶晃动、光照变化等自然场景下的动态背景会影响运动目标检测的准确性,区分动态背景和前景目标的变化是复杂场景下运动目标检测的首要任务.针对现有的前景提取算法逐点提取前景从而导致计算资源浪费的问题,提出了一种区域提取与改进LBP(Local Binary Patterns)纹理特征相结合的运动目标检测算法.首先,将图像分为大小相等的图像块,利用各图像块的统计特性建立核密度估计(Kernel Density Estimation,KDE)模型,并用KDE模型估计出前景区域.然后,计算前景块中所有像素点的改进LBP纹理特征直方图.最后,通过直方图匹配提取所有的前景像素实现目标的精确提取,并用概率模型更新背景.实验结果表明,该方法在快速提取运动目标前景区域的同时能够消除大部分动态背景产生的干扰,相比传统算法更适用于自然场景下的运动目标检测.     

动态背景下基于ORB特征匹配的运动目标检测算法

为了能够实时地检测出运动目标,提出一个基于ORB(Oriented FAST and Rotated BRIEF)特征匹配和改进的帧间差分相结合的检测算法。首先运用ORB算法提取特征点,采用RANSAC(RANdom SAmple Consensus)方法求得变换矩阵参数之后获取全局运动补偿图像,然后用帧间差分法实现运动目标的检测。ORB特征点匹配的快速性和准确性与RANSAC方法去除异常点的有效性确保变换矩阵参数的计算准确,再结合帧间差分法快速完整地检测出前景目标。实验结果显示,该算法能够准确地检测出运动目标,并在一定程度上解决了实时检测的问题。     

复杂背景下运动目标的改进实时检测算法

针对复杂背景下运动目标检测难度大、算法实时性差的问题,提出了一种改进的运动目标实时检测算法.融合背景差分、帧间差分和边缘检测的信息,划定目标区域提取完整的目标轮廓.针对图像光照突变的问题,改进了运行期均值背景更新策略,在背景更新时同步更新前景分割阈值.使用复杂背景下毛细管粘度计液位检测视频验证算法证明,边缘融合方法和实时阈值更新的背景更新算法能够克服背景复杂、光照变化、运动干扰等带来的影响,提高运动目标检测精度,实现实时检测.     

结合分块的改进三帧差和背景差的运动目标检测

针对运动目标检测易受背景影响及帧间差分易产生空洞的问题, 提出了一种基于分块的改进三帧差分和背景差分相结合的运动目标检测算法. 该算法利用边缘检测法和均值法建立初始背景模型, 将视频图像划分成多个子块, 对利用改进的三帧差分和背景差分获取的图像的各个子块进行自适应阈值检测, 获取图像中的运动前景目标, 背景图像采取自适应更新方法. 实验结果表明, 该算法能完整的提取运动目标, 背景适应性强, 具有较高的准确性和效率.     

基于视觉背景提取的自适应运动目标提取算法

在复杂场景下的视频运动目标提取是视频分析技术的首要工作。为了解决前景运动目标提取的精确度不高的问题,提出一种基于视觉背景提取(ViBE)的改进视频运动目标提取算法(ViBE⁺)。首先,在背景模型初始化阶段采用像素的菱形邻域来简化样本信息;其次,在前景运动目标提取阶段引入自适应分割阈值来适应场景的动态变化;最后,在更新阶段提出背景重建和调整更新因子方法来处理光照变化的情形。实验结果表明,对于复杂视频场景LightSwitch的运动目标提取结果在相似度指标上,改进后的算法与混合高斯模型(GMM)算法、码本模型算法以及原始ViBE算法相比,分别提高了1.3倍、1.9倍以及3.8倍。所提算法能够在有效时间内对复杂场景具有较好的自适应性,且性能明显优于对比算法。     

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BRISK特征的动态背景下运动目标检测

针对动态背景下运动目标检测过程中对检测算法实时性和鲁棒性的要求,提出了一种基于二进制鲁棒不变尺度特征(BRISK)的运动目标检测算法.通过改进的BRISK算法检测特征点;为了保证匹配精度和速度,采用K最近邻(KNN)算法进行特征点匹配;运用基于随机抽样一致性(RANSAC)的全局运动参数估计法获取最优全局运动参数;采用帧间差分法进行运动目标检测.实验结果表明:改进的BRISK算法减少了49.8％的特征点数目,KNN算法去除了85.9％的特征点对;在各种场景下能够准确地检测出运动目标,与以往算法相比检测效果较好.     

基于帧差分块的混合高斯背景模型

针对混合高斯背景模型计算量过大、对复杂场景的适应能力较差等问题,提出了一种基于帧差分块和自适应学习率的混合高斯背景模型改进算法。引入分块模型思想,有效结合了像素的空域信息;根据帧间差分结果,判断可疑前景区域和背景区域,提高了检测灵敏度;针对前景可疑区域采用复杂模型,保证运动目标检测的精度,反之采用简单模型降低计算量;通过自适应学习率,加速背景的形成与消退。实验结果证明该算法较好地兼顾了检测精度和计算代价。     

基于光流和Snake算法的运动目标检测

提出一种帧间双差分法、自适应光流、snake算法相结合的运动目标检测方法.通过帧间双差分法提取运动区域,针对运动区域进行光流计算,对光流计算结果进行C-均值聚类,最后用聚类结果作为snake算法的初始值,通过贪婪算法对活动轮廓进行收缩,把运动目标的轮廓精确的包围起来.由运动目标真实图像序列的实验结果充分证明了算法的优良性能,可以有效地从复杂自然场景的图像序列中检测出完整的运动目标.     

融合LBP与背景建模的自适应目标检测混合算法

提高目标检测算法在复杂场景下的检测鲁棒性是目前计算机视觉领域的一个重点、难点问题.为了实现在多种背景扰动以及阴影同时存在的复杂场景下,对运动目标的准确、鲁棒提取,论文提出了一种融合纹理特征和背景建模的自适应目标检测混合算法.首先,为了对阴影进行有效处理,论文提出融合纹理特征的背景建模法;同时,在背景建模的基础上,引入亮度信息预处理程序;最后,论文在对复杂场景下(包括室内、室外)的背景扰动进行分析归类的基础上,将帧间差分法和背景建模法有机结合,有效提高算法对复杂场景的适应性.实验结果表明,复杂场景下,该算法对大多数背景扰动都具有一定的鲁棒性,能够实时、准确地检测出运动目标.     

动态场景视频序列中的前景区域自动提取

首先提出一种具有自适应外点过滤功能的全局运动估计算法,通过交替地进行参数估计和外点过滤,能够有效地抑制噪声的影响,实现准确的背景对准;然后,通过直方图拟合获得准确的背景噪声方差值,克服了以往只能依据经验设定背景噪声方差的缺点,并使用显著性测试技术有效地对帧差图进行二值化,最终消除帧间的重叠背景,提取出前景区域．实验结果表明,该算法能够有效地实现动态场景视频序列中的背景对准,并准确地提取出前景区域．     

运动显著性概率图提取及目标检测

目的 动态场景图像中所存在的静态目标、背景纹理等静态噪声,以及背景运动、相机抖动等动态噪声,极易导致运动目标检测误检或漏检。针对这一问题,本文提出了一种基于运动显著性概率图的目标检测方法。方法 该方法首先在时间尺度上构建包含短期运动信息和长期运动信息的构建时间序列组;然后利用TFT（temporal Fourier transform）方法计算显著性值。基于此,得到条件运动显著性概率图。接着在全概率公式指导下得到运动显著性概率图,确定前景候选像素,突出运动目标的显著性,而对背景的显著性进行抑制;最后以此为基础,对像素的空间信息进行建模,进而检测运动目标。结果 对提出的方法在3种典型的动态场景中与9种运动目标检测方法进行了性能评价。3种典型的动态场景包括静态噪声场景、动态噪声场景及动静态噪声场景。实验结果表明,在静态噪声场景中,F_score提高到92.91%,准确率提高到96.47%,假正率低至0.02%。在动态噪声场景中,F_score提高至95.52%,准确率提高到95.15%,假正率低至0.002%。而在这两种场景中,召回率指标没有取得最好的性能的原因是,本文所提方法在较好的包络目标区域的同时,在部分情况下易将部分目标区域误判为背景区域的,尤其当目标区域较小时,这种误判的比率更为明显。但是,误判的比率一直维持在较低的水平,且召回率的指标也保持在较高的值,完全能够满足于实际应用的需要,不能抵消整体性能的显著提高。另外,在动静态噪声场景中,4种指标均取得了最优的性能。因此,本文方法能有效地消除静态目标干扰,抑制背景运动和相机抖动等动态噪声,准确地检测出视频序列中的运动目标。结论 本文方法可以更好地抑制静态背景噪声和由背景变化（水波荡漾、相机抖动等）引起的动态噪声,在复杂的噪声背景下准确地检测出运动目标,提高了运动目标检测的鲁棒性和普适性。     

基于S变换的非平稳微小运动自动放大

现有的欧拉视频微小运动放大方法没有考虑视频中运动信息的自动检测,在实现运动放大时需要人为选取感兴趣运动信息处理的合适参数,比如滤波器截止频率、放大倍数等。对于一般的视频,通常无法直观地确定这些参数,而是通过试错来完成。为此,基于S变换提出了一种视频序列中非平稳微小运动的自动放大方法：基于S变换自动确定带通滤波器的即时相关参数并设计了相应的动态滤波器,在此基础上实现了视频微小运动的全自动放大。首先,通过S变换分析出视频中微小运动在各个时刻的瞬时频率;然后,对视频在不同时刻呈现不同频率的情况进行动态带通滤波处理;最后,放大经过带通滤波后的感兴趣运动信息,实现微小运动放大。此外,对于抗噪性能分析,提出了一种视频区域信噪比评价方法。实验结果表明,所提方法在对实际视频进行放大处理时,能够根据运动信息频率的变化自动地获取滤波器、放大倍数等参数,无需人工参与;运动放大后可以动态地展现运动目标的放大效果。同时,准确的动态滤波器在一定程度上能够抑制噪声干扰,使得运动放大效果更加理想。     

混合视觉系统的运动物体检测和静态地图重建

复杂动态背景环境下的运动物体检测和静态地图重建中容易出现运动物体检测不完整的问题。针对上述问题,提出了一种混合视觉系统下点云分割辅助的运动物体检测方法。首先,提出了直通滤波+随机采样一致性（PassThrough+RANSAC）方法来克服大面积墙壁干扰以实现点云地面点的识别;其次,将非地面点数据作为特征点投射到图像上,并估计其光流运动向量和人工运动向量,从而对动态点进行检测;然后,采用动态阈值策略对点云进行欧氏聚类;最后,整合动态点检测结果与点云分割结果来完整地提取出运动物体。此外,通过八叉树地图（Octomap）工具将点云地图转换为三维栅格地图以完成地图的构建。通过实验结果和数据分析可知,所提方法可以有效提高运动物体检测的完整性,同时重建出低损耗、高实用性的静态栅格地图。     

基于脉冲耦合神经网络的自适应图像滤波

为有效滤除灰度图像中的椒盐噪声并保留图像的边缘及细节信息,提出一种简化的阈值单向衰减脉冲耦合神经网络(PCNN)点火矩阵自适应图像滤波方法,简化的PCNN结构减少了所需参数并提高了运算速度。该方法通过对PCNN点火矩阵的分析,定位出被噪声污染的像素,只对噪声像素进行滤波,因而有效地保留了图像的细节信息;并根据椒盐噪声的特点,动态估计图像的噪声强度,自适应地选择滤波窗口的大小和滤波次数。实验结果表明提出方法较常见的图像降噪方法在滤波效果、自适应性及保留图像细节方面有明显的优势。     

数学形态学的边缘检测算法研究

边缘检测是图像处理与模式识别的一个重要图像预处理过程。传统的边缘提取方法如Sobel、Prewitt和Canny等非常有效但对噪声非常敏感。形态学边缘检测目前已成一个研究热点,但大多算法采用单一结构元素,很难对复杂边界进行有效的处理。因此提出一种基于多结构元素多尺度的数学形态学边缘检测算法,先用多尺度结构元素交替顺序形态开-闭平滑图像以去噪,再用多结构元素对不同方向的边缘进行提取,最后把各方向边缘融合得到图像边缘。实验结果表明,提出的算法不仅有很强的抗噪性,而且很有效的提取图像的边缘。     

基于门限联合判别的同质网络入侵检测仿真

动态同质网络在路由转发控制中节点分布具有动态性,容易受到病毒入侵,提出基于上下门限联合判别的动态同质网络入侵检测算法。以时间均值和谱密度为网络入侵检测的统计特征量,采用宽平稳随机序列分析方法构建网络入侵的统计信号分析模型,对入侵信号采用相关性检测和同态匹配滤波方法进行降噪和盲源分离处理,结合极速学习方法进行动态同质网络的入侵特征量提取,采用上下门限联合判别方法实现动态同质网络的入侵检测。仿真结果表明,采用该方法进行动态同质网络的入侵检测的准确性较高,抗干扰能力较强,对入侵信息的准确检测概率提升效果显著。     

基于Gammatone滤波器和子带能量规整的语音特征提取

为了改善传统语音特征参数在复杂环境下识别性能不足的问题,提出了一种基于Gammatone滤波器和子带能量规整的语音特征提取方法.该方法以能量规整倒谱系数(PNCC)特征算法为基础,在前端引入平滑幅度包络和归一化Gammatone滤波器组,并通过子带能量规整方法抑制真实环境的背景噪声,最后在后端进行特征弯折和信道补偿处理加以改进.实验采用高斯混合通用背景分类器模型(GMM-UBM)将该算法和其他特征参数进行对比.结果表明,在多种噪声环境中相比其他特征参数,本文方法表现出良好的抗噪能力,即使在低信噪比下仍有较好的识别效果.     

A joint sparse wavelet coefficient extraction and adaptive noise reduction method in recovery of weak bearing fault features from a multi-component signal mixture

Rolling element bearings are widely used to support rotating components of a machine. Due to close space locations of components in the machine, a vibration signal caused by bearing localized defects is easily overwhelmed by other strong vibration signals. Extracting the bearing fault signal from a multi-component signal mixture is thus significant to detect early bearing fault features and prevent machine breakdown. In this paper, a bearing fault diagnosis method, named cyclic spike detection method, is proposed to extract the weak bearing fault features from a multi-component signal mixture. Firstly, the optimal center frequency and bandwidth of a complex Morlet wavelet filter are determined by a simplex-simulated annealing algorithm along with a maximum sparsity objective function. The filtered signal is then obtained by applying the optimal wavelet filter to the multi-component signal mixture. After that, a new adaptive local maximum selection method is proposed to make the filtered signal succinct. Only a few spikes are retained to reveal potential cyclic intervals caused by bearing localized defects. Two multi-component signal mixtures, including a simulated signal and a real vibration signal collected from an industrial machine, are used to validate the effectiveness of the proposed cyclic spike detection method. The results demonstrate that the proposed method can extract the weak bearing fault features from other strong masking vibration signals and noise.