面向动摄像机的高速运动目标检测

目的为解决动摄像机中高速运动目标检测复杂度高的问题,提出一种基于压缩视频运动矢量的高速运动目标检测新方法。方法该方法首先分析监控视频的码流格式和解码特点;然后从视频流中直接提取运动矢量;接着进行运动矢量规范化,并根据3σ准则提取场景的全局运动参数;最后通过对运动矢量统计特征的分析,实现面向动摄像机的高速运动目标快速检测。结果仿真实验表明,该方法在经典和自建数据库上目标提取效率较现有算法均有较大提高。结论本文方法充分利用了压缩视频数据中蕴含的运动信息,极大降低运动目标检测的复杂度,可以有效提取动摄像机成像画面中的高速运动目标,在经典和自建数据库上的目标提取效率较现有算法均有较大提高。     

基于小波边缘提取的混合运动目标检测算法

常用的运动目标检测算法易受到噪声、阴影等因素的影响,检测出来的运动目标边缘比较模糊,本文因此提出 一种基于小波边缘提取的运动目标检测算法,将小波边缘检测与帧间差分法和背景差分法相结合来检测运动目标,采用 形态学滤波和连通性分析得到准确的运动目标。实验表明,该算法可以准确的将运动目标从视频图像序列中检测出来。     

视频序列中人体运动目标的检测与跟踪研究

提出一种视频序列中人体运动目标的精确检测、提取以硬跟踪算法。该算法采用帧间差闽值法（简称TIFD）实现快速精确地检测和提取目标，使用扩展的Kalman滤波器预测运动目标下一时刻可能处于的区域，缩小了目标跟踪时的搜索范围。充分利用运行目标检测的结果，提高了目标的匹配效率及跟踪速度。同时给出了相应的实验结果，结果表明方法是比较实用的，能满足人体运动分析的基本要求。     

运动目标检测与跟踪算法的研究进展

运动目标检测与跟踪技术有着广泛的应用,但由于检测和跟踪过程容易受外界环境的干扰而造成失败,因此改进运动目标检测和跟踪算法具有重要意义。本文分类介绍了运动目标检测与跟踪算法的研究现状以及常用算法,比较了各种算法的优缺点,阐述了该课题许多尚未完全解决的问题,并对该领域未来的发展趋势进行展望。     

基于灰度直方图的运动目标特征检测算法

为提高运动目标的检测效果和指导性，提出一种基于灰度直方图分析的运动目标特征检测算法。采用视觉成像技术进行运动目标图像采集和视觉特征分析，提取运动目标的动态视觉特征量。根据运动目标边缘差分变换和空间位置关系进行运动图像的特征分离，提取运动目标图像的边缘轮廓特征量。采用统计形状模型进行运动目标图像的二值化分离，构建运动目标图像的灰度直方图。根据灰度直方图中的统计信息进行目标特征检测和动态特征提取，实现运动目标图像的视觉检测和动态识别，有效提取运动目标的关键特征，实现目标特征检测。仿真结果表明，采用该方法进行运动目标图像的特征检测性能较好，对运动目标的动态识别能力较强。     

基于TMS320 DM8168平台的快速运动目标检测研究

研究如何在嵌入式平台上对高清视频中的运动目标进行快速、鲁棒的检测。采用德州仪器最新的达芬奇架构TMS320DM8168为平台,在高清1080P视频上实现运动目标的快速检测。采用对噪声较为鲁棒的ViBe算法进行目标检测,并将该算法移植到该平台的MCFW框架中。同时,为了提高算法性能及效率,对算法进行相关优化,包括编译器选项优化、内存相关优化、标准内联函数优化、循环优化以及DMA等。最终实现在嵌入式平台上的实时高清运动目标检测。实验结果验证了该方法的有效性。     

动态场景图像序列中运动目标检测新方法

在动态场景图像序列中检测运动目标时,如何消除因摄影机运动带来的图像帧间全局运动的影响,以便分割图像中的静止背景和运动物体,是一个必须解决的难题。针对复杂背景下动态场景图像序列的特性,给出了一种新的基于场景图像参考点3D位置恢复的图像背景判别方法和运动目标检测方法。首先,介绍了图像序列的层次化运动模型以及基于它的运动分割方法;然后,利用估计出的投影矩阵计算序列图像中各运动层的参考点3D位置,根据同一景物在不同帧中参考点3D位置恢复值的变化特性,来判别静止背景对应的运动层和运动目标对应的运动层,从而分割出图像中的静止背景和运动目标;最后,给出了动态场景图像序列中运动目标检测的详细算法。实验结果表明,新算法较好地解决了在具有多组帧间全局运动参数的动态场景序列图像中检测运动目标的问题,较大地提高了运动目标跟踪算法的有效性和鲁棒性。     

视频运动目标跟踪方法研究

视频运动目标跟踪属于计算机视频模块的重点研究内容,具备较大的应用前景。随着各种新技术融合到目标跟踪方法中,其跟踪准确性得到提升。受到目标形变、遮挡以及尺度变化影响,跟踪失败的问题也时有发生。为了改进视频运动目标跟踪方法,本文系统的阐述了当前视频运动目标跟踪方法的类型,从算法设计流程着手,给出关于视频运动目标跟踪方法的具体设计框架,对未来算法发展方向进行了展望。     

视频监控中运动目标的检测

本文对于智能视频监控中的运动目标检测技术进行了讨论,介绍了几种常用算法。并且,提出了一种自定义防区的方法,来提高检测效率,降低干扰。     

基于运动检测的多车辆跟踪方法研究

针对交通监控场景中多目标粘连造成跟踪上的困难和前后两帧车辆关联困难,提出了区域运动相似性分割方法和相似度关联矩阵的解决方案;在运动目标检测过程中, 首先使用背景差分法提取运动区域,经过消除缺口、空洞和分离等处理,在运动区域所在范围内进行块匹配搜索和局部光流计算区域运动矢量,然后使用模糊聚类方法对运动矢量区域融合,完整的分割出粘连运动目标;在目标跟踪部分,目标跟踪建立在目标关联的基础上,提出建立连续两帧目标间距离和局部二元模式相似度关联矩阵的方法进行运动目标标定,从而实现多目标关联;使用公共视频库的图像序列进行测试,所提算法都能实现连续的跟踪和准确的运动目标分割,且处理速度快,表明了算法具有鲁棒性和适用性。     

基于小波提升的变模板视频多尺度目标识别*

为了快速有效地解决图像序列中移动目标的识别定位,提出了一种基于互相关的目标检测算法。该算法经小波提升建立低分辨率子图,通过快速的互相关检测,在高分辨率原图中建立紧凑ROI。为了适应运动目标变形,整个检测过程以互相关运算极大值为依据,更新目标模板。实验结果表明,在满足检测速度的同时,算法对目标的识别有较高的精度与鲁棒性。     

A Moving Grid Framework for Geometric Deformable Models

Geometric deformable models based on the level set method have become very popular in the last decade. To overcome an inherent limitation in accuracy while maintaining computational efficiency, adaptive grid techniques using local grid refinement have been developed for use with these models. This strategy, however, requires a very complex data structure, yields large numbers of contour points, and is inconsistent with the implementation of topology-preserving geometric deformable models (TGDMs). In this paper, we investigate the use of an alternative adaptive grid technique called the moving grid method with geometric deformable models. In addition to the development of a consistent moving grid geometric deformable model framework, our main contributions include the introduction of a new grid nondegeneracy constraint, the design of a new grid adaptation criterion, and the development of novel numerical methods and an efficient implementation scheme. The overall method is simpler to implement than using grid refinement, requiring no large, complex, hierarchical data structures. It also offers an extra benefit of automatically reducing the number of contour vertices in the final results. After presenting the algorithm, we demonstrate its performance using both simulated and real images. This work was supported in part by NSF/ERC Grant CISST#9731748 and by NIH/NINDS Grant R01NS37747.     

基于改进背景减法的视频图像运动目标检测

为解决传统背景减法在动态背景下受噪声干扰和运动目标检测准确性不高的问题,提出一种基于改进背景减法的视频图像运动目标检测方法。在背景建模阶段,为易于计算和提高检测精度,采用基于GMM的图像块均值方法重构背景模型;在目标检测阶段,采用数学形态学和小波半软阈值函数相结合的方法对检测到的运动目标进行去噪处理;在背景更新阶段,采用自适应背景更新方法进行背景更新。实验结果表明,所提方法提高了运动目标检测的准确性,验证了其有效性。     

基于小波提升格式的织物疵点检测

为了满足织物疵点检测快速而准确的要求,提出了一种基于小波提升格式疵点检测的新方法。首先根据已知滤波器,通过提高消失矩阶次构造与织物纹理相匹配的小波。在此基础上,对构造小波的滤波器进行提升和对偶提升,来获得不同的提升算子和对偶提升算子,从而实现小波的提升分解。最后提取小波分解后的高频子图细节特征,通过与正常织物高频子图细节特征相比较,从而实现疵点检测。实验证明了该方法是可行有效的,检测准确率达到92.5%以上。     

杂波背景下慢动目标多特征融合检测系统设计

杂波背景中的干扰因素众多,导致慢动目标检测精度低、效率差,提出了一种多特征融合检测系统设计方案。硬件部分由预处理模块、模数转换模块和DSP模块三部分组成,利用有源低通滤波抑制了高频噪声的干扰,通过DSP实现对其他模块的有效控制;软件部分由多特征融合检测模块、通信接口模块以及存储模块构成,将包含慢动目标的原始图像划分为若干个子区域,并确定每个子区域的CLBP直方图和色调直方图,与背景模型进行相似性匹配,实现慢动目标多特征融合检测;通过USB接口将检测结果传送至存储模块中,完成检测结果的存储。系统性能测试实验结果表明,设计系统可在花费最少时间的前提下,得到精度最高的杂波背景下慢动目标检测结果。     

多传感器基于动态时空特性软硬协作决策的目标检测研究

针对多传感器系统中目标检测时检测精度与效率的矛盾问题,研究了一种具有协同合作决策功能的目标检测算法及其传感器设计方案。首先将多传感器系统依据时域、空域和频域给出三维定义描述,分析了时空动态特性,其次依据二元检验和目标优化检测分析了软决策和硬决策在目标检测时变化规律,建立了一种基于协同合作的目标检测决策机制,最后给出了基于动态时空特性软硬协作决策的目标检测及其传感器头结构设计方案。实验表明,所提目标检测方案在检测精度、检测效率、资源利用率和覆盖率等方面具有明显优势。     

基于区域特征分析的层级有序码书目标检测算法

针对原码书算法在检测中码字匹配效率低以及在复杂背景下检测精确度差的问题, 提出了一种基于区域特征分析的层级有序码书目标检测新算法。首先, 利用一种新颖的“码书—码章—码字”三级结构用以精确划分码书, 在优化了码字参数之后, 将码字按访问频度进行排序并组织成定长列表。实验数据表明, 该优化策略显著地提高了算法的实时性。其次, 提出一种基于局部方向模式的运动边缘标记法, 较好地克服了噪声的影响, 并准确而完整地获取了运动物体的边缘信息。最后, 将运动边缘轮廓区域与码书区域融合, 得到了准确的运动目标。算法在时间域和空间域构建了一个能精确反映运动目标本质属性的立体模型, 经实验验证, 本算法在有随机噪声及光照变化影响的场景中, 仍有较高的识别率和较好的鲁棒性。     

利用区域变形和背景更新实现运动对象跟踪

从时域统计的角度出发,提出了一种结合自适应混合背景更新模型的区域变形跟踪算法．该算法以模型更新得到的前景／背景二值分割掩膜作为区域特征,将跟踪问题抽象为一个水平集(Level Set)偏微分方程的数值求解问题,并分析了算法的自适应性．为了进一步提高算法的实现效率,引入了窄带跟踪方案．实验表明,该算法可以对视频序列中的指定运动对象进行快速精确的跟踪。     

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.