动态背景下基于改进视觉背景提取的前景检测

由于视觉背景提取算法（ViBe）对存在动态背景的户外视频的前景检测结果依然不够精确,故提出了一种改进的ViBe算法。文中描述了经典ViBe算法及其特点;介绍了改进的ViBe算法针对动态背景的改进措施。该算法采用多帧连续图像初始化背景模型,降低了单帧图像初始化所产生的“鬼影"对前景检测精度的影响;在匹配过程中,引入自适应的匹配阈值,克服了单个的全局阈值对动态背景适应能力差的问题;最后,在更新过程引入空间一致性判断与模糊准则来减少算法的误检,提高了算法的鲁棒性。实验结果表明,该算法可以有效地检测动态背景下的运动目标,检测准确率比经典ViBe算法提高了20%以上。     

基于ViBe的动态目标检测算法优化

针对ViBe算法在动态目标检测中鬼影和阴影现象难以消除的问题,在ViBe算法基础上提出三点算法优化方法。首先在背景建模中扩大样本取值范围减少判别误差,然后利用鬼影区域定点背景模型重建方法快速解决由动态目标建模中导致的鬼影问题,最后在HSV色彩空间中利用色度找出候选阴影区域,比较区域梯度阀值消除动态目标的阴影。实验证明优化后的ViBe算法不仅保留了其动态目标检测实时性高的优点同时也能够很好的解决原本算法中存在的鬼影和阴影问题,从而能够很好地将动态目标从背景图像中分割,利用分割后的图像可以实现固定背景下动态目标跟踪。     

基于Kinect深度图像信息的人体运动检测

人体运动检测是计算机视觉人体运动分析的关键环节。根据Kinect深度图像的特点,引入并改进Vi Be算法处理深度图像进行人体运动检测。考虑到深度图像中地面像素值连续性造成的地面附近运动检测困难,提出了一种自适应的图像分层处理和不同邻域模式的建模方式,增加了去除"鬼影"现象的参考模型。像素分类时增加了前景点检验步骤,通过当前像素与参考模型的比较消除"鬼影"。在模型更新方面增加了基于前景点的背景模型更新策略,解决了"黑影"现象问题。采用阈值法对分类结果进行了误检点消噪处理。实验结果表明所提出的改进Vi Be算法能够比较准确地检测出人体运动。     

基于元胞自动机的动态背景运动目标检测

针对传统运动目标检测算法在动态背景条件下难以准确检测出运动目标的问题,提出了一种基于元胞自动机的动态背景运动目标检测算法。首先,根据SLIC算法分割视频图像,并应用多模态混合动态纹理模型对视频图像进行背景建模。然后,融合空时显著性检测与基于元胞自动机的自动更新机制得到优化的显著性图。最后,通过对优化后的显著性图做适当的阈值分割处理得到视频图像中的运动目标。实验仿真结果表明,在动态背景条件下该算法可以有效的抑制视频图像中非运动目标的显著性物体对检测结果带来的影响,检测运动目标的精度较高,并且具有一定的鲁棒性。     

基于运动目标自适应检测的改进ViBe算法（英文）

传统视觉背景提取(ViBe)算法检测结果存在Ghost区域,且受环境变化影响,在提取前景时容易产生误检或漏检。针对这些问题,提出了一种基于运动目标自适应检测的改进ViBe算法。首先在背景模型初始化过程中,通过对均值背景建模设置调节参数方式获取真实背景,利用该背景初始化ViBe背景模型;其次在前景检测过程中,根据场景变化引入自适应半径阈值对前景进行自适应检测;最后对检测结果中存在的空洞进行数学形态学闭运算填充。实验结果表明,改进算法能够有效抑制Ghost区域,并在环境变化的情况下较完整地检测前景目标,与传统ViBe算法相比,检测的精确率提高了10%以上,误检率和漏检率分别降低了20%和7%,且改进算法满足实时性要求。     

基于运动目标自适应检测的改进ViBe算法

传统视觉背景提取(ViBe)算法检测结果存在Ghost区域,且受环境变化影响,在提取前景时容易产生误检或漏检。针对这些问题,提出了一种基于运动目标自适应检测的改进ViBe算法。首先在背景模型初始化过程中,通过对均值背景建模设置调节参数方式获取真实背景,利用该背景初始化ViBe背景模型;其次在前景检测过程中,根据场景变化引入自适应半径阈值对前景进行自适应检测;最后对检测结果中存在的空洞进行数学形态学闭运算填充。实验结果表明,改进算法能够有效抑制Ghost区域,并在环境变化的情况下较完整地检测前景目标,与传统ViBe算法相比,检测的精确率提高了10%以上,误检率和漏检率分别降低了20%和7%,且改进算法满足实时性要求。     

基于颜色和梯度特征的混合高斯模型的运动目标检测算法

运动目标检测是视频监控系统的重要组成部分,针对传统的基于混合高斯模型(GMM)的运动目标检测方法存在的不足,提出一种基于颜色和梯度特征相结合的混合高斯模型的运动目标检测算法。该算法首先基于像素的颜色特征建立混合高斯模型,进行运动目标初步检测;然后结合像素的梯度特征,建立像素梯度的混合高斯模型,实现运动目标精确检测。通过在室内和室外等不同场景下进行的运动目标检测实验,结果表明,该算法能有效消除光照变化影响,抑制运动目标的阴影干扰,对室内和室外环境的运动目标检测都具有较好的检测效果和鲁棒性。     

基于差分和特征不变量的运动目标检测与跟踪

提出了一种基于改进的图像差分算法与特征不变量匹配的目标识别方法。通过三帧差值法获得了更完整清晰的目标轮廓,并基于该轮廓信息构造了一个具有平移、大小和旋转不变性的特征不变量;然后提出动态极值匹配法,利用特征曲线的极值信息点进行识别匹配,并动态替换原特征模版。实验结果表明,该方法能够准确识别目标,显著地提高识别跟踪效率,并且适用于检测运动姿态发生变化的目标。对于分辨率为288×352像素,每像素8位量化的序列图像,处理每帧图像平均用时0.011 74 s,其中特征提取与匹配过程平均用时0.005 476 s,能够实现对运动目标的实时分析,可同时满足运动目标识别跟踪中实时性和准确率的要求。     

基于帧差法的多波束前视声呐运动目标检测

针对多波束前视声呐图像中运动目标的检测问题,提出一种背景消除算法。该算法以声呐波束数据为处理对象,借鉴光学视频处理中的三帧差分法,从三帧声呐数据中得到运动目标的二值图像。分析了多波束前视声呐数据的结构和成像原理,对比了传统声呐图像处理以显控截图为处理对象和本文以声呐波束数据为处理对象的优缺点,同时也根据声呐图像的特点对三帧差分法进行了改进。实验结果表明,该算法能有效地将运动目标从背景中分离,并且以声呐波束数据为处理对象比以显控截图为处理对象效果好且实时性高,同时改进后的三帧差分法也对算法效果有提升。因此该算法可作为运动目标跟踪、检测和识别的基础,具有应用于水下监控工作的潜力。     

一种区块特征匹配与边缘差分结合的运动目标检测算法

由于动态背景中存在运动目标检测准确率不高、耗时过长,提出一种区块特征匹配结合边缘特征的运动目标检测算法。首先将视频图像目标检测块与背景块分离,对相邻帧背景块进行运动补偿;进而对连续多帧图像进行边缘特征提取,最后对多帧的边缘图像差分,经由形态学处理和阈值分割得到运动目标区域。该算法能有效减少特征提取耗时,降低背景噪声的干扰。实验结果表明,该算法检测运动目标的准确性较好,且抗噪表现较好。     

复杂场景中基于变块差分的运动目标检测

针对复杂场景中包含的摄像机扫描运动、随机抖动和目标运动,提出一种基于帧间可变块差分的运动目标检测算法.首先,利用全局特征点估计运动参数对帧间背景进行补偿,提取图像的全局特征点并匹配,以特征点集的最小位置误差和作为目标进行迭代,获取误差不大于0.5 pixel的全局运动参数,并精确补偿当前帧实现背景校正.然后,利用可变块...     

基于阴影抑制的运动目标有效分割方法

针对背景差分法常将运动阴影误检测为前景目标的问题,提出了智能交通系统中一种基于阴影抑制的运动目标分割方法。在RGB空间通过可变阈值背景差分提取了运动目标和阴影;在HSI（Hue,Saturation,Intensity）空间,分别对黑色和非黑色运动目标采用不同的阴影检测条件进行了阴影抑制;结合形态学滤波和面积多尺度阈值滤波去除了噪声影响。实验结果表明本文提出的方法能有效去除阴影及噪声影响,解决目标断裂及黑色运动目标丢失问题,提高检测质量。     

基于场景辅助特征的T-S目标跟踪

针对遮挡同时目标附近出现相似目标干扰所导致的错跟问题,本文提出利用场景中辅助特征提升目标跟踪抗遮挡以及抗相似目标干扰性能。首先检测场景强特征及目标附近相似干扰,定义二者为场景辅助特征;其次,建立能够较好描述场景强特征及目标运动规律的动态模型以及相似干扰约束;最后,将场景辅助特征及目标的动态模型以粒子滤波的形式表达,提出T-S跟踪算法。采用SPEVI及OTB100数据库中若干典型测试视频,与近年来6种先进跟踪算法进行对比实验,并采用两种评价体系考量。实验结果表明,本文T-S算法对SPEVI多人脸、红外车辆的跟踪误差分别为24 pixel和8 pixel;对OTB100数据库中8种视频跟踪测试时,在重叠率阈值为0.5时的跟踪成功率为0.51,优于其它对比算法。本文T-S跟踪算法能够较好应对遮挡及相似目标干扰。     

动态场景下基于实例分割和三维重建的多物体单目 SLAM

针对大多数SLAM系统在动态环境下相机位姿估计不准确与环境语义信息利用不充分的问题,提出一种基于实例分割的关键帧检测和贝叶斯动态特征概率传播的动态物体检测算法,并对环境中存在的静态物体三维重建,以此构建一个动态环境下的多物体单目SLAM系统。该系统对关键帧输入图像进行实例分割与特征提取,获取潜在运动物体特征点集合与静态物体特征点集合;利用非运动物体特征点集合获取帧间位姿变换,普通帧利用贝叶斯对动静态特征点进行概率传播,利用静态特征点集实现对相机位姿的精准估计;在关键帧中对静态物体进行联合数据关联,数据充足后进行多物体三维重建,构建多物体语义地图,最终实现多物体单目SLAM。本文在TUM与Boon公开数据集上的实验结果表明,在动态场景下,相较于ORB-SLAM2算法,绝对位姿误差的均方根误差平均降低54.1%和58.2%。     

Automatic recording of object motion by the speckle method in the terahertz range

Using a microbolometer detector array, we recorded real-time images of metallic and dielectric objects illuminated by monochromatic terahertz radiation, including those hidden behind an opaque barrier. It is shown that the characteristics of movement of rough objects dynamic can be retrieved from the dynamics of the speckle structure of their images in the terahertz range. An automatic processing algorithm for terahertz videos with recording of moving objects was developed and software implemented.     

高动态环境下的傅里叶梅林变换视觉SLAM算法

针对视觉即时定位与地图构建(SLAM)中的静态假设限制其在动态现实环境中应用的问题，提出了一种在高动态环境下基于傅里叶梅林变换的视觉SLAM算法。首先，采用傅里叶梅林算法配准以补偿相机运动，应用帧间差分算法获取运动掩膜。同时利用短时密集连接网络进行语义分割确定潜在运动物体掩膜。结合运动掩膜与物体掩膜，获得最终的物体运动区域，剔除该区域的特征点。最后，依据稳定的静态特征点跟踪优化，提升位姿精度。实验结果表明，本算法的绝对轨迹误差与相对位姿误差相比于ORB-SLAM2减少了95%以上，相比于DS-SLAM减少了30%以上，验证其在复杂动态场景下具有良好的定位精度与鲁棒性，有效降低运动模糊与光照变化对运动检测的影响，同时，克服了传统动态SLAM难以检测非先验运动对象的弊端。     

基于HOG的自动售货机人流量检测系统

为了能够检测自动售货机周围的行人数量,提出一种适用于自动售货机的人流量检测系统。该系统首先采用高斯混合模型的运动前景检测方法得到运动物体,并通过形态学处理进一步降低前景的噪声,然后提取运动物体的HOG特征并通过线性SVM分类器判断该物体是否为行人。在从现场采集到的视频上进行实验,结果表明该系统能够适应自动售货机前方的特殊环境,并能满足实时性的要求。