基于改进Sigma-Delta滤波的复杂场景背景估计

背景估计是运动目标检测一项重要的前期工作,在城市交通等复杂场景中,存在大量慢速或暂停运动目标,背景模型很快受到污染,需要进行较多的后续处理或者采用高复杂度算法来检测前景。针对该问题,提出基于Sigma-Delta滤波改进的背景估计算法,融合可选择性背景更新机制和多频Sigma-Delta滤波背景估计方法,处理复杂场景中不同运动目标的运动特征,以获取稳定的背景。通过对典型城市路段和交叉口复杂交通场景序列进行对比实验,结果表明,该算法在保持Sigma-Delta滤波低内存消耗和高计算效率的基础上可获得更好的检测效果。     

基于彩色分割的虹膜检测

提出了一种基于彩色分割的虹膜检测方法，对于一幅经过准确定位的眼睛窗口图像，它的彩色信息比灰度信息更有助于进行虹膜检测。首先利用图像颜色的饱和度信息将眼睛图像中的眼睛区域与皮肤区域分离，然后利用亮度信息将眼睛区域的眼白和虹膜分离得到虹膜区域，再通过Hough变换进行虹膜检测。结果证明该方法不仅检测率高，而且能适应一定人脸姿势、眼睛视线方向的变化，甚至在眼睛区域较暗的情况下，也能很好地检测到虹膜。     

基于眼睛特征跟踪的眼睛状态跟踪

眼睛状态的跟踪具有广泛的应用,如在面部表情分析和驾驶疲劳报警系统的应用方面,此时需要跟踪的不仅仅是人眼的位置,而且还需要返回眼睛的状态,以及眼睛模型的参数.基于眼睛特征跟踪的眼睛状态跟踪方法是先检测出表征眼睛状态的眼睛特征,然后通过跟踪这些特征达到跟踪眼睛状态的目的.在实验平台是PⅡ/500微机,256M内存,Windows 2000操作系统中处理速度是接近每秒7帧.对214图像序列进行了实验测试,跟踪精度达到97.6%.     

帧间差分与背景差分相融合的运动目标检测算法

针对视频序列中运动目标检测进行了研究，提出了一种将帧间差分和背景差分相互融合的运动目标检测算法，首先选取一帧作为背景帧，确立每一个象素点的高斯模型；然后对相邻两帧进行差分处理，区分出变化的区域和没有发生变化的区域，没有发生变化的区域更新到背景帧中，发生变化的区域与背景模型进行拟合，区分出显露区和运动目标，将显露区以很大的更新率收入到背景帧中。该方法允许在有运动物存在的情况下进行建模，实验表明该方法准确率高，运算速度快，能满足实时检测的需要。     

光照突变场景中结合Phong模型的分层差分前景检测

针对前景检测中光照突变问题和非平稳背景扰动问题,提出一种块级-像素级分层背景差分结合Phong模型的前景检测方法。首先,利用块级Sigma-delta背景差分算法快速检测前景区域且有效处理非平稳背景,然后利用Phong模型对前景区域进行光照突变处理提取出粗目标,最后利用像素级Sigma-delta算法对粗目标执行像素级前景提纯操作和对背景进行更新。实验表明,该方法在光照突变场景中及非平稳背景中能鲁棒实现前景检测。