一种检测序列图像中运动目标的新方法

运动目标的检测是应用视觉研究领域的一个重要课题。本文提出了一种新的用于检测序列图像中运动目标的方法,实验结果表明了该方法的有效性和实用性。     

动态场景下基于精确背景补偿的运动目标检测

针对动态场景下因背景补偿效果欠佳而不能准确检测运动目标的问题,提出一种基于精确背景补偿的运动目标检测算法。算法采用加入对称约束的SURF特征点匹配算法,以获得稳健的匹配点对。同时利用自适应外点滤除法去除目标点对全局运动估计的影响,显著地提高了背景补偿的精度。最后用帧差法准确地检测出运动目标。实验结果表明,该算法具有很好的鲁棒性,能够在背景复杂且摄像机运动的环境下准确地提取出运动目标。     

采用时空条件信息的动态场景运动目标检测

为了将动态场景中运动目标与扰动背景线性不可分的问题转换为线性可分问题,提出了负对数非线性核变换方法.该方法通过引入视觉注意机制构建视觉显著性时空域模型,以像素邻域加权条件信息作为分类特征,增强目标与背景的线性可分性,提高动态场景运动目标检测精度.最后结合图像分块建模策略,实现了动态场景中运动目标的高效、实时检测.     

一种动态场景多运动目标的综合检测方法

提出一种动态场景下多运动目标检测的方法。该方法融合基于帧间图像差值的运动分割技术以及区域生长法来获得各运动目标的初始轮廓。再利用主动轮廓线模型进行优化,从而得到各运动目标的最优轮廓,该方法具有以下明显特点：允许背景任意复杂;在无补偿情况下仍能得到良好结果;目标大小不影响算法的鲁棒性．实验证明了该方法的有效性、实用性和鲁棒性。     

复杂景物环境下运动目标检测的新方法

文中提出一种复杂景物环境下自动检测运动目标的新方法。该方法具有四个明显特点：①背景允许任意复杂；②帧间摄像机允许运动；③目标的面积大小不影响算法的效果；④帧间允许的运动光流比较大。大量实验验证了文中方法的有效性和实用性。     

单高斯与混合高斯相结合的运动目标检测

论文提出了一种将单高斯建模法与混合高斯建模法相结合的运动目标检测方法。针对实际场景中的部分动态背景会给运动目标检测带来很大干扰,混合高斯建模法提取目标不完整、实时性差的问题,结合单高斯建模法处理的优点,将图像自动分割为静态背景区域和动态背景区域,分别检测,并将得到的运动目标检测图像进行拼接及后续处理。实验结果表明,用该方法提取目标完整度高,实时性好,对动态背景干扰不敏感,具有较好的鲁棒性。     

一种改进的复杂场景运动目标检测算法

提出了一种复杂场景视频序列中运动目标精确检测及提取的改进算法,该算法首先采用混合高斯模型(简称GMM)对背景及前景建模快速地实现前景运动区域提取,然后结合目标帧间相关性和随机噪声帧间无关的特点采用时间滤波(Tem-poral Filter)法和数学形态学进行后处理.实验结果表明本文所采用的改进算法能准确的提取运动目标滤除动态噪声,提高了检测鲁棒性,对复杂干扰场景下的实时运动目标检测得到了较令人满意的效果.     

低照度视频序列运动目标的检测与提取

由于低照度环境下的成像质量存在比较突出的问题,使得低照度视频序列的运动目标检测与提取成为一项相当困难的工作。本文结合运动信息和梯度信息,提出了一种新的低照度视频序列运动目标检测与提取方法。该方法首先经帧间差分、滤除噪声得到运动区域的初始检测模板,针对初始检测模板中由于照度过低出现的目标漏检现象,采用提取函数法进行低灰度值的运动区域检测,最终形成完整的运动区域检测模板。采用多尺度形态梯度算子进行边缘检测,这种梯度算子抗噪能力强。实验结果表明这种方法能有效地实现低照度视频序列运动目标的检测与提取。     

低照度视频序列运动目标的检测与提取

由于低照度环境下的成像质量存在比较突出的问题,使得低照度视频序列的运动目标检测与提取成为一项相当困难的工作.本文结合运动信息和梯度信息,提出了一种新的低照度视频序列运动目标检测与提取方法.该方法首先经帧间差分、滤除噪声得到运动区域的初始检测模板,针对初始检测模板中由于照度过低出现的目标漏检现象,采用提取函数法进行低灰度值的运动区域检测,最终形成完整的运动区域检测模板.采用多尺度形态梯度算子进行边缘检测,这种梯度算子抗噪能力强.实验结果表明这种方法能有效地实现低照度视频序列运动目标的检测与提取.     

复杂场景下的实时运动目标检测

提出一种改进的混合高斯模型算法对复杂场景中的运动目标进行实时检测.该算法首先在模型更新过程中提出一种相似模型调整策略,通过对模型值接近的模型的均值、权值、学习速率等进行自动调整,从而使算法更快地适应光照变化;然后基于尺度不变性局部三值模式纹理特征对检测结果进行校验,以快速有效地消除运动目标的阴影和光照渐变及突变的影响;最后设计一种图像尺度变换方法以提高算法的实时性.与现有算法相比,本文提出的方法能更好地在复杂背景中稳定检测运动目标,同时显著提高目标检测的效率.试验结果验证了本算法的有效性.     

一种动态场景下运动对象分割新算法

视频运动对象分割是计算机视觉和视频处理的基本问题。在摄像机存在全局运动的动态场景下,准确分割运动对象依然是难点和热点问题。本文提出一种基于全局运动补偿和核密度检测的动态场景下视频运动对象分割算法。首先,提出匹配加权的全局运动估计补偿算法,消除动态场景下背景运动对运动对象分割的影响;其次,采用非参数核密度估计方法分别估计各像素属于前景与背景的概率密度,通过比较属于前景和属于背景的概率及形态学处理得到运动对象分割结果。实验结果证明,该方法实现简单,有效地提高了动态场景下运动对象分割的准确性。     

一种联合图像分割与背景建模的运动目标检测算法

介绍了在混合高斯模型的基础上,采用每一个像素点及其邻域组成的集合作为特征矢量来描述图像,对YUV格式的彩色图像的不同颜色分量分别建立混合高斯模型,从而确定是否有变化发生.为充分利用空间信息,提出将彩色图像分割与背景建模结合起来,得到具有精确边缘的运动目标.实验结果表明,即使在前景纹理、颜色比较一致且与背景对比不是很明显的情况下,本方法也能完整地检测出运动前景.     

动态图像序列中的运动目标检测

根据动态图像序列中背景因成像过程中各种因素而产生变化所存在的复杂性，提出了自适应的前景目标检测方法。首先，建立图像每一像素点的高斯分布模型，并根据序列中的当前帧及历史帧信息自适应地调整模型的参数。然后，结合图像帧间的差分信息以及灰度分布的先验概率等因素将图像从空间域映射至统计域。最后，在统计域中对前景目标进行鲁棒分割。实验的结果反映了该方法的有效性。     

动态背景下的运动目标检测

针对动态背景下运动目标检测的问题,最大限度地降低背景对运动目标检测的影响,提出了一种基于相位相关法和傅里叶梅林变换的动态背景下运动目标检测算法.动态背景下运动目标检测的主要部分是背景运动补偿,首先利用相位相关法和傅里叶梅林变换估计全局运动参量,然后根据全局运动参量利用双线性内插法进行背景匹配,最后对配准后的图像利用帧间差分法提取运动目标.实验表明,该算法具有一定的鲁棒性,能有效地检测动态背景下的运动目标.     

基于OpenCV的视频运动目标检测及其应用研究

高斯混合模型已经成为对视频利用背景减除法进行运动目标检测的最多的一种背景建模模型,也成为一种标准模型。首先对高斯混合模型的理论框架进行了分析,然后采用OpenCV技术实现高斯混合模型来检测视频运动目标,实验结果表明高斯混合模型对摄像头静止的道路监控视频运动目标检测具有较好的效果。最后以该运动目标检测技术为基础设计了一种智能视频监控系统,该系统具有较好的实用性。     

移动机器人的运动目标实时检测与跟踪

运动目标检测及跟踪是机器视觉领域备受关注的前沿课题之一。该文针对移动机器人导航领域对检测与跟踪的实时性要求,基于Kalman滤波器实现了驱动单目摄像头的反馈控制系统。采用简单的三帧差背景剪除策略检测运动目标,合并运动估计和背景补偿以加快系统反应速度。系统误差保存在协方差阵中,以增益的形式参与控制。该文还详细分析了运动补偿对检测的影响及误差的变化趋势。实验表明,系统能够保持对运动目标稳定偏差的平滑跟踪,在480320的图像分辨率下控制速度达到20Hz(fps)。     

复杂背景图像中检测动目标的一种方法

该文研究了基于Kalman滤波理论的渐消记忆递归最小二乘法,探讨了渐消记忆递归最小二乘法在重建图像背景中的应用,并用于实现在复杂背景下视频图像动目标的检测。首先用该算法对复杂背景进行更新预测,然后用当前帧图像与预测背景差分提取动目标,最后用灰度投影算法计算出目标的质心。整个目标检测方法简单、有效,便于用硬件快速实现。文中给出了实验结果。     

一种用于运动目标检测的快速收敛混合高斯模型

背景模型是交通监控视频中检测运动目标的一种常用方法。混合高斯模型在训练背景模型的过程中效果良好,但其收敛速度较慢。目前各种改进模型,只是提高其初始化的收敛速度;为了加快检测过程中背景改变时的收敛速度,必须实时检测背景是否发生改变,若改变,则需要对模型重新进行初始化。基于以上情况,提出了一种改进的混合高斯模型,该模型不需要重新初始化,避免了实时检测背景是否发生改变的多余步骤,实验结果明显著提高了检测过程中的收敛速度。     

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.     

一种改进的基于背景抽取的运动目标检测算法

视频监控针对的场景是安静的场景,但是具有随机的扰动,如树木摇动、杂物抖动等;针对这种场景,提出了对基于混合高斯模型的运动目标检测算法的改进方法,在混合高斯模型检测到运动目标的初步结果基础上,采用锐化处理、平滑处理、二值化处理等手段,保留图像固有特征,滤除随机抖动;对处理后的图像运用背景帧差法,弥补混合高斯模型的不足,最终检测到准确的运动目标;实验结果表明,该方法能从具有随机扰动的视频流中准确的检测到运动目标。