复杂场景下的快速目标检测算法

针对场景发生改变的目标检测,提出了一种快速的目标检测算法。该算法将像素点划分为背景点和前景点两类,使用聚类的方法并采取像素级收敛条件分别建立背景和前景模型。背景模型的更新适用于全局发生缓慢的变化,稳定的前景模型向背景模型的转化对光照等其他场景突变具有很好的鲁棒性,使背景模型实时逼近真实背景,同时改进连通域扫描分割算法,提高目标分割速度。实验结果表明,该方法具有很好的鲁棒性,能够快速准确地检测出运动目标,为在DSP等嵌入式系统上实现实时目标检测提供了有利条件。     

基于像素值聚类的运动目标检测方法

提出了一种基于像素值聚类的运动目标检测方法。在RGB空间进行背景提取,将一幅图像中的每个像素点在时间轴上进行聚类,提取背景模板;之后采用当前图像与背景模板进行比较,从而检测出运动目标,并同时进行背景模板的更新。在此过程中采用了模板替换机制以节约存储空间;在背景建模部分加入结束判定部分,以自适应的建立背景模板。相比于经典的混合高斯（GMM）和codebook方法,该算法的运行时间至少缩短了1／4,提高了检测速度。实验结果表明,该算法能够在不同条件下快速准确的检测运动目标。     

基于三值图像的车牌定位算法

针对复杂场景中光照不均匀情况下的车牌定位问题,提出了一种新的定位方法。该方法首先对彩色图像进行三值化,然后利用车牌字符之间颜色的一致性,通过定位字符间隔线反推字符区域进行车牌定位,解决了定位难的问题。实验结果表明,本文算法可以准确定位车牌,对车身颜色和外界颜色的影响有很好的鲁棒性,有效剔除打印字符等纹理簇照成的干扰,同时弥补了在光照不均匀等情况下车牌区域进行二值化可能导致的信息缺失,为后续字符分割、识别处理提供更有利的信息。     

基于ViBe的车流量统计算法

提出一种基于视频的快速的车流量统计算法,采用改进的ViBe算法进行背景建模,然后进行像素值判断,只更新背景像素,以此来提取前景目标.并采用符合人类视觉习惯的YUV彩色空间来消除阴影对车流量统计的干扰,提出一种基于像素级和帧级相结合的动态自适应背景更新算法,以解决光照变化对系统的影响.并使用改进的二轮扫描算法来进行车辆分割.在道路上开辟虚拟检测带,根据ViBe模型及其更新次数来判断是否有车辆进入观测带,从而实现车流量统计.相对于传统算法,本系统的实时性与鲁棒性较高.