双模型背景建模与目标检测研究

基于像素的背景建模方法速度较快但不能很好地描述背景运动,光流能准确描述物体运动但计算量大,难以满足实时的要求.提出一种结合基于像素的背景建模方法速度快以及光流描述物体运动准确优点的背景建模和目标检测方法.具体来说,为静止背景建立传统基于像素的灰度背景模型,为运动背景建立光流背景模型,通过2种背景模型的有效结合快速准确地实现目标检测.实验结果表明,提出的方法建模速度与基于像素背景建模方法相当,同时,又有光流准确描述背景运动的优点,综合性能超越上述2种方法.     

融合像素时空信息的背景建模方法

现有的背景建模方法通常只利用像素的时间或空间信息进行建模,降低了运动目标检测的准确性,针对这一问题提出一种融合像素时空信息的背景建模方法.分别在视频图像序列的时间、空间维度上对像素灰度值进行采样,建立像素的时间和空间背景模型;在检测运动目标的过程中对时间背景模型采用“先进先出”的更新策略,对空间背景模型采用随机的更新策略.实验结果表明,时空背景建模能有效地检测出运动目标,有效减少光线变化和摄像机抖动对检测结果的影响,较好抑制动态背景的干扰.     

基于时空分布的混合高斯背景建模改进方法

针对传统的混合高斯模型对动态背景敏感、缓变目标检测不准确等问题,提出了一种基于时空分布的混合高斯建模改进方法。该方法的基本思想是混合高斯背景基于时间分布信息建模的同时,通过随机数生成方法对邻域进行采样,完成像素空间分布的背景建模;同时利用像素历史统计信息和决策融合机制的前景检测方法,实现对静止目标判定以及前景运动目标更精确的提取。最后,将此算法与其他前景检测方法进行对比实验,表明了该算法对动态背景鲁棒性强、缓变目标检测准确的结论。     

利用时空背景模型的快速运动目标检测方法

为了弥补运动目标检测中传统混合高斯背景模型仅对单个像素建模、运算耗时的不足,通过提取背景时间统计特征和空间区域特征建立模型,针对模型中的高斯分量采用一种改进的分量个数自适应算法,并在此模型基础上,提出一种自适应迭代分块目标检测方法。通过包含区域信息的背景模型检测目标,减少在同一背景区域中目标的误判和漏判。将自适应迭代分块检测算法与背景的区域信息结合,可以在不降低检测精度的前提下大大提高算法执行速度。实验结果表明,相对于传统算法,本文检测法检测结果信噪比更高,目标更加完整,运行速度平均提高了22%。     

联合纹理和二维阈值分割的减背景方法

为了有效地检测出交通场景中的运动车辆,在背景建模阶段,提出在多个子时间组里建立多个自适应的纹理直方图作为像素的背景描述模型,能更好地适应环境变化。为了充分地描述纹理信息,扩展了LBP(local binary pattern)算子;为了更好地实现减背景方法,采用的二维Otsu阈值分割方法能有效消除噪声的影响;为了解决背景更新滞后的问题,使用帧间差分能更准确地提取出运动车辆。在不同交通场景下的实验比较结果表明了该算法的有效性。     

一种基于自适应混合模型的背景减除法

针对局部二进制相似度(LBSP)背景建模方法易受外界环境变化如动态背景、光照改变、相机抖动等干扰的问题,在融合像素纹理与亮度信息的基础上,建立一种自适应混合背景模型进行运动目标检测。首先,利用每个像素的多通道自适应局部二进制相似度(LBSP)信息和亮度信息建立混合背景模型。然后,根据当前像素与混合背景模型的比较结果对其进行分类,并采用随机更新机制更新背景模型。实验结果表明,本方法不仅在正常外界环境下取得了较好的检测结果,而且还可以有效地减少动态背景、光照变化等复杂外界环境条件造成的干扰,提高检测结果的准确性。     

基于改进光流法的旋转运动背景下对地运动目标实时检测

针对战机对地侦查视频图像中地面旋转运动背景下运动目标检测高虚警、低实时性的问题,提出了一种基于改进光流法的旋转运动背景下对地运动目标实时检测算法。首先提取图像的特征点,在特征点处计算光流运动矢量,并通过光流矢量场估算背景运动矢量。根据战机飞行高度自适应计算目标像素尺寸,网格化分块待检测图像;然后将各个特征点光流矢量与背景运动矢量相比较,获得备选目标特征点。最后统计分块备选目标特征点密度,判断目标位置区域。对2组实验视频中央360像素×432像素区域进行目标检测实验,结果表明该算法能够准确地检测出地面运动目标,虚警率低。平均每帧检测耗时分别为29.460 ms和31.505 ms,满足战机对地运动目标检测的实时性。     

融合显著性与运动信息的相关滤波跟踪算法

主流的目标跟踪算法以矩形模板的形式建立被跟踪物体的视觉表征, 无法有效区分目标与背景像素, 在背景复杂、目标非刚体形变、复杂运动等挑战性因素影响下容易出现模型偏移的问题, 导致跟踪失败. 与此同时, 像素级的显著性信息与运动先验信息作为人类视觉系统有效区分目标与背景、识别运动物体的重要信号, 并没有在主流目标跟踪算法中得到有效的集成利用. 针对上述问题, 提出目标的像素级概率性表征模型, 并且建立与之对应的像素级目标概率推断方法, 能够有效利用像素级的显著性与运动观测信息, 实现与主流的相关滤波跟踪算法的融合; 提出基于显著性的观测模型, 通过背景先验与提出的背景距离模型, 能够在背景复杂的情况下得到高辨识度的像素级图像观测; 利用目标与相机运动的连续性来计算目标和背景的运动模式, 并以此为基础建立基于运动估计的图像观测模型. 实验结果表明, 提出的目标表征模型与融合方法能够有效集成上述像素级图像观测信息, 提出的跟踪方法总体跟踪精度优于多种当下最先进的跟踪器, 对跟踪场景中的背景复杂、目标形变、平面内旋转等挑战性因素具有更好的鲁棒性.     

基于颜色和边缘信息融合的背景建模方法

提出一种颜色和边缘信息融合的背景建模方法。在像素级利用基于颜色特征的背景差方法,将像素分类为前景像素和背景像素。给出一种新的基于边缘特征的背景差方法,将边缘分类为前景边缘和背景边缘。将前景像素聚类为不同的目标区域,利用前景边缘信息识别出真实运动目标和虚假运动目标。实验表明,该方法可以有效地去除由于局部突然光照变化和背景静止目标的移动造成的虚假运动目标,提高运动目标检测的精确率。     

基于改进高斯混合模型的前景检测

针对自适应混合高斯背景模型执行速度慢、检测前景时容易产生“鬼影”等问题,提出一种改进的混合高斯背景建模方法。该方法通过对高斯分布权值和生存时间的限制,建立高斯分布退出机制,使模型能根据场景自适应选择每个像素的高斯分布个数,从而去除多余高斯分布,加快算法执行速度。在模型更新过程中,通过融入帧间差分,将每帧图像分成运动像素、背景像素及非真实运动像素,并通过对非真实运动像素赋予较大学习率来加速移出背景的恢复,从而避免“鬼影”和拖影现象。实验结果表明,与传统检测方法相比,该方法可以获得更好的目标检测效果。     

结合单高斯与光流法的无人机运动目标检测

针对无人机场景下运动目标检测对实时性要求高,运动背景、环境光照易变化等问题,提出一种结合单高斯与光流法的运动目标检测算法.首先,对运动相机捕捉的图像采用改进的单高斯模型进行背景建模,并融合前一帧图像的多个高斯模型来进行运动补偿,然后,将得到的前景图像作为掩模来提取特征点和进行光流跟踪,并对稀疏特征点的运动轨迹进行层次聚类.实验结果表明,该算法能有效地处理运动相机造成的前景对背景模型的干扰,背景建模速度快,对光照变化不敏感,检测出的目标接近真实目标.     

Joint segmentation of collectively moving objects using a bag-of-words model and level set evolution

In scenes with collectively moving objects, to disregard the individual objects and take the entire group into consideration for motion characterization is a promising approach with wide application prospects. In contrast to studies on the segmentation of independently moving objects, our purpose is to construct a segmentation of these objects to characterize their motions at a macroscopic level. In general, the collectively moving objects in a group have very similar motion behavior with their neighbors and appear as a kind of global collective motion. This paper presents a joint segmentation approach for these collectively moving objects. In our model, we extract these macroscopic movement patterns based on optical flow field sequences. Specifically, a group of collectively moving objects correspond to a region where the optical flow field has high magnitude and high local direction coherence. As a result, our problem can be addressed by identifying these coherent optical flow field regions. The segmentation is performed through the minimization of a variational energy functional derived from the Bayes classification rule. Specifically, we use a bag-of-words model to generate a codebook as a collection of prototypical optical flow patterns, and the class-conditional probability density functions for different regions are determined based on these patterns. Finally, the minimization of our proposed energy functional results in the gradient descent evolution of segmentation boundaries which are implicitly represented through level sets. The application of our proposed approach is to segment and track multiple groups of collectively moving objects in a large variety of real-world scenes.     

A fast scalable algorithm for discontinuous optical flow estimation

Multiple moving objects, partially occluded objects, or even a single object moving against the background gives rise to discontinuities in the optical flow field in corresponding image sequences. While uniform global regularization based moderately fast techniques cannot provide accurate estimates of the discontinuous flow field, statistical optimization based accurate techniques suffer from excessive solution time. A `weighted anisotropic' smoothness based numerically robust algorithm is proposed that can generate discontinuous optical flow field with high speed and linear computational complexity. Weighted sum of the first-order spatial derivatives of the flow field is used for regularization. Less regularization is performed where strong gradient information is available. The flow field at any point is interpolated more from those at neighboring points along the weaker intensity gradient component. Such intensity gradient weighted regularization leads to Euler-Lagrange equations with strong anisotropies coupled with discontinuities in their coefficients. A robust multilevel iterative technique, that recursively generates coarse-level problems based on intensity gradient weighted smoothing weights, is employed to estimate discontinuous optical flow field. Experimental results are presented to demonstrate the efficacy of the proposed technique     

一种新型的实效运动目标检测方法

提出一种新型的帧间差分光流的运动目标检测方法.该方法通过改进七帧差分和改进背景减除消除运动目标检测时出现的"空洞"和虚假目标;通过在光流计算方程加入权函数和引入通用动态图像模型建立新的光流约束条件,以解决常用光流场计算耗时长和亮度变化引起的约束方程不成立的问题,同时获取运动准确信息;最后通过阈值分割和形态学处理完成对目标的分割.实验对比分析表明,该方法能实现运动目标的准确快速检测与分割.     

基于局部微分光流的运动对象分割

运动对象分割是研究从场景的图像序列或视频中提取出运动目标的理论和方法,是计算机视觉中一个重要的研究方向,在军事和工业等领域有着广阔的应用前景.提出一种基于局部微分光流的运动对象分割算法.首先采用局部微分光流算法计算出场景的运动光流场并完成其初始分割,然后利用canny算子探测出对象的边缘信息并将其作为对光流场得到的运动信息的补充,从而分割出更为准确的运动对象.实验结果显示该方法具有良好的分割性能.     

基于水平集的多运动目标时空分割与跟踪

针对背景运动时的运动目标分割问题,提出了一种对视频序列中的多个运动目标进行分割和跟踪的新方法。该方法着眼于运动的且较为复杂的背景,首先利用光流约束方程和背景运动模型建立一个基于时空域的能量函数,然后用该函数进行背景运动速度的估算和运动目标的分割和跟踪。而时空域中的运动目标的最佳分割,乃是通过使该能量函数最小化来驱动时空曲面演化实现。时空曲面的演化采用了水平集PDEs(Partial Differential Equations)方法。实验中,用实际的图像序列验证了该算法及其数值实现。实验表明,该方法能够同时进行背景运动速度的估算、运动目标的分割和跟踪。     

基于改进光流特征的运动目标跟踪

在城市智能视频监控中需要对运动目标进行实时跟踪,针对传统的运动目标检测中出现的跟踪目标易丢失、跟踪率低、实时性差等问题,提出一种基于改进光流特征的运动目标跟踪检测方法,对运动行人目标进行跟踪。该方法首先采用改进的Vibe运动背景建模法对视频中存在的运动行人进行检测,再将Shi-Tomasi角点检测与LK光流法进行结合,将角点检测结果融入到LK光流法中,并对检测到的角点进行运动光流特征提取,最后通过卡尔曼滤波对出现的行人进行预测跟踪,采用匈牙利最优匹配算法实现对运动目标的持续匹配以及对运动目标的跟踪。仿真结果表明,本文提出的方法能够对视频中出现的运动目标进行检测跟踪,具有较好的识别效果,且检测效率得到提高。      

一种基于帧间差分和光流技术结合的运动车辆检测和跟踪新算法

为了改进智能交通中的运动车辆检测和跟踪方法,提出一种基于改进的帧间差分和光流技术结合的运动车辆检测和跟踪的新方法。先用帧间差分法检测出运动物体的运动区域,再计算差值图中不为零处的光流,然后利用其光流场来实现运动目标的跟踪。为了减少计算量,提出一种基于最优估计的点匹配技术和光流均匀采样策略的光流场计算方法,并通过对灰度化后的光流场进行自适应阈值分割、形态学滤波等处理,实现了实时的运动目标检测和跟踪。