基于梯度阈值和特征抑制的运动目标检测算法

提出了一种基于梯度阈值和特征抑制的光流运动目标检测算法.首先将LK光流法和HS光流法思想进行互补,在梯度值较大的点使用亮度约束,梯度值较小的点使用平滑约束;然后采用特征抑制方法,筛选能够确定运动目标位置的光流点;最后检测出完整的运动目标.实验结果表明,本文算法提高了运动目标检测的准确度,而且实时性较好.     

一种基于边缘检测的运动目标检测新方法

基于帧间差分变化检测,运用多尺度形态梯度算子进行边缘检测,提出并实现了一种运动目标检测新方法.这种检测方法算法简单、运算量小,而且只使用了头两帧的信息,适合于实时应用.实验结果表明:此方法能有效地检测出运动目标.     

一种基于背景重建的运动目标检测算法

根据视频序列的帧间信息，以平均亮度和图象能量为约束条件，提出一种改进的基于块的背景重建方法。利用重建得到的背景图象，通过背景消减实现了运动目标的检测，检测结果以运动目标的外接矩形表示。     

基于背景重建的运动目标检测算法

针对复杂背景下参考帧的提取问题,提出了一种改进的基于帧间差分的背景提取算法。该算法利用帧间差分将图像序列中的背景像素点提出来,从而确定背景帧;并利用序列图像背景点在时间上呈高斯分布,用“3σ原则”判断背景点是否发生变化来更新背景。实验结果表明,该方法可以有效的提取和更新背景,从而完整准确地检测出运动目标。     

基于改进YOLOv3的运动目标分类检测算法研究

提出一种基于改进YOLOv3算法的一类运动目标检测算法. 为进一步提高YOLOv3的检测精度,采用基于DIoU优化的边界框回归损失函数进行计算; 优化非极大值抑制,有效减少了目标框重叠的现象,提高检测精度; 针对运动目标检测,提出一种基于目标框多中心点位移的检测算法. 经UA-DETRAC数据集上的实验表明,改进后的算法在提高检测精度的同时保证了较快的速度,准确率和召回率相比原始YOLOv3分别提高了 8.07%和3.87%,对运动目标的检测速度可达20 fps/s,可满足实时检测的要求.     

一种基于局部特性的红外弱小目标检测方法

针对红外图像弱小目标检测程序复杂和虚警率高的问题,提出了一种基于局部特性检测红外弱小目标的方法.该方法主要根据待检测像素点局部灰度比、局部灰度差、局部能量比以及局部能量差值的大小进行目标检测,避免了传统方法需对红外图像进行背景预测、图像增强等处理,有效地改善了低信噪比下红外图像小目标的检测性能.通过仿真实验对该方法与2种传统方法进行了测试和对比,证明了该方法的有效性和优越性.     

一种基于静止背景的运动目标检测算法

运动目标检测过程中,阴影极易被错划为运动目标,而目前主要方法都是针对某一特定场合提出的,自适应性较差.针对该情况提出一种摄像位置和场景特征未知情况下的阴影检测算法,实验结果表明,算法检测准确,适用性较好.     

运动目标检测与识别算法的研究

传统的运动目标检测方法不能精确检测目标发生仿射形变,为此提出一种动态模板匹配改进算法。该算法首先利用改进后的瞬时差分算法对序列图像中的运动物体进行检测和定位,提高检测与识别的实时性;其次,采用仿射不变矩作为提取目标时的不变特征,从而克服不能有效检测与识别时发生仿射形变目标的缺点。实验仿真结果表明,该算法优于传统的动态模板匹配算法。     

基于高斯混合模型和canny算法的运动目标检测

提出一种基于高斯混合模型和canny算法的运动目标检测算法.利用高斯混合模型计算像素之间的颜色信息,同时利用高斯混合模型更新背景信息;用canny算子提取图像的边缘信息;将颜色信息和区域结构信息线性融合起来,较好地解决了边缘信息明显的运动目标检测.实验中采用改进的加权高斯模型及传统的canny算法相结合.结果表明,本文...     

基于快速的混合高斯模型的运动目标检测算法

针对传统高斯模型实时性差的问题,该文提出了一种快速的背景更新策略.首先对彩色图像建立混合高斯模型,根据场景中象素点的稳定性来调整模型参数的更新速度;其次利用混合颜色空间的阴影检测算法消除前景图像的运动阴影;最后对该文方法进行了验证性实验,结果表明提出的运动目标检测方法有效、实时性好、对光照有较强鲁棒性.     

基于改进码本模型的视频运动目标检测算法

针对经典码本模型对动态背景适应能力不足及更新算法效率不高的问题,提出了一种用快速冒泡排序和短时滑动窗口改进的码本模型。为了优化码本结构,提高活动码字首次匹配成功概率,设计了一种快速冒泡排序算法对模型码本中码字位置进行快速排序;为了实现像素的均值及偏差的快速跟踪,设计了一种短时滑动窗口算法对像素变化信息进行存储,解决了动态背景的模型自适应问题。实验表明,改进后的算法能够有效适应复杂环境下的背景变化,且具有良好的检测精度和实时性能。     

基于不同颜色空间的运动目标检测算法分析

视频图像运动目标检测是有效分类和跟踪运动物体的关键步骤。对于彩色图像,大多选择颜色特征作为运动目标的检测标准,而不同的颜色空间反映图像的信息不同。为此,本文分析了运动目标在多种颜色空间下的信息变化情况,以及不同色彩空间下的像素特征对目标检测算法性能的影响;比较了复杂背景环境下,基于不同颜色空间特征值的混合高斯模型算法的背景减除效果,以期为多种典型环境下颜色特征优选和算法优化提供理论基础和实践指导。实验结果表明:在RGB、YCrCb、HSV和Lab四种不同颜色空间中,基于Lab颜色空间的运动目标检测算法具有更高的检测率和更低的误检率,是一种能抗背景光干扰、适应能力较强、鲁棒性较好的检测算法。     

运动目标检测的三帧差法算法研究

运动目标因速度时变性强,路径不确定等特点给运动目标检测和跟踪带来难度。常用的运动目标检测方法虽然很多,但大都会因为噪声给检测的精度带来很大的影响。通过使用三帧差法提取目标,再用数学形态学的方法对提取出的图像进行处理,可有效检测出运动目标并消除噪声。实验结果表明,这种方法计算量小,受环境变化影响小,实时性强,目标检测准确性高.     

一种新的红外弱小运动目标检测算法

为检测强杂波背景中的红外弱小运动目标,提出一种基于Power-Law检测器的目标检测新方法．利用图像中弱小目标经过时像素点灰度值有起伏变化这一特点,将其看作是一种弱瞬态信号,利用Power-Law检测器对瞬态信号良好的检测性能,实现对弱小运动目标的检测．仿真结果表明该算法能够可靠地检测出信杂比(SCR)大于1的弱小运动目标．     

改进ViBe的运动目标检测算法

针对ViBe算法对光照突变不敏感以及由于背景存在大量高频扰动对象而被误检为前景的问题,在经典ViBe算法的基础上提出了改进方法.采用分离视频帧HSV空间中V分量均值作为判断光照突变的方法,由实验得到判断光照突变的阈值Δω=0.1作为判别条件,若光照发生突变则采用突变平稳后的视频帧作为初始帧重新建模,以此解决光照突变问题...     

基于超像素一致显著性的视频运动目标检测算法

针对目前视频运动目标检测中存在受背景影响大,复杂场景下检测效果不佳的问题,提出一种基于超像素一致显著性的视频运动目标的检测方法。首先,将视频图像序列进行超像素分割,在保留目标特征完整性的基础上降低图像后续处理的计算复杂度。之后对视频单帧图像进行显著性检测,得到图像显著目标区域,接下来通过对视频图像序列间显著区域超像素匹配机制对运动目标进行检测。最后,引入视频图像序列间显著性传播的协同判别因子提高对运动目标的判别精度。实验结果表明,所提算法具有较强的鲁棒性,能够处理各种复杂场景下视频运动目标的检测,检测准确率达到93%,优于目前的主流算法。     

基于HSV颜色空间静止背景中运动目标的检测算法

针对固定场景视频序列中的彩色运动目标检测,采用HSV颜色空间表示视频原始帧,使用自适应背 景更新在原始帧中提取V 分量建立背景帧,利用背景差分法对视频序列进行运动检测,在运动区域二值化时结合原 始帧中的H 分量对运动区域进行筛选,从而得到特定运动目标被点亮的前景帧。实验结果表明,该算法能够有效地 实现在静止背景、多运动目标共存的视频中检测出特定颜色的运动目标。     

基于边缘信息和时空马尔可夫模型的运动目标检测方法

针对传统方法易受阴影和噪声的影响,不能精确分割出运动目标的情况,提出了一种基于边缘信息和时空马尔可夫模型的运动目标检测方法。首先对3帧连续的图像进行边缘提取,然后通过差分法运算获得两帧初始标记场,随后对两帧初始标记场进行＂与＂操作获得共同标记场,利用迭代条件模型求解共同标记场的全局最小值,进而实现近似求解最大后验概率的估算,获得优化的标记场,最后通过阈值分割和形态学处理完成对目标的检测。与多种方法进行比较表明,该方法能对运动目标进行准确检测,且具有很好的鲁棒性。     

基于卷积神经网络的目标检测

为了完成视频图像中人体检测,将卷积神经网络和梯度算法结合.将YOLO网络模型结构以及算法函数进行了优化调整.为了保留视频时间信息,引入了卷积神经网络反馈时间维度.采用长短记忆卷积神经网络(LSTM)进行训练,通过将迭代过程的最优解保留,加快了梯度算法中的搜索速度,并且保证收敛于全局最优解.     

基于深度学习的小目标检测算法研究进展

基于深度学习的小目标检测算法可以有效提高小目标检测性能和检测速率,在图像处理领域得到了广泛应用。首先概述了小目标检测的难点,分别对基于锚框优化、基于网络结构优化、基于特征增强的小目标检测算法进行了分析,总结了各算法的优缺点;然后介绍了用于小目标检测的公共数据集和小目标检测算法的评价指标,对检测算法的性能指标进行了分析;最后对小目标检测算法已经解决的难点进行了总结,并对有待后续研究方向进行了展望。深度学习在小目标检测领域仍有较大的发展空间,在模型通用性、耗时与精度和特定场景的小目标检测等方面有待深入研究。