混合高斯模型和差分法相融合的运动目标检测

提出运动目标检测中背景动态建模和OTSU局部递归分割的一种方法,该方法在自适应混合高斯背景模型基础上,为每个像素构建混合高斯背景模型,通过帧间差分把每帧中的图像区分为背景区域和运动区域,背景区域中像素点将以特定的更新率更新背景模型,物体运动区不再构建新的高斯分布加入到混合高斯分布模型中.实验结果表明,在有诸多不确定性因素的序列视频中构建的背景有较好的自适应性,能迅速响应实际场景的变化.     

一种改进的运动目标精确检测算法

针对传统混合高斯背景模型在多变场景下因背景模型更新不及时而存在的误检、漏检等不足,提出一种改进算法.该算法首先通过在高斯分布匹配过程中结合帧间差分获取的帧间未变化区域与变化区域判断像素点的区域类别,然后根据不同的像素区域类别执行不同的背景更新策略,使背景的更新及时准确地反映背景的变化.实验结果表明,该改进混合高斯背景模型算法能有效地解决因目标和背景相互转化而出现的拖尾、影子以及运动目标空洞等问题.     

基于混合高斯模型的运动目标检测算法

针对智能交通系统中运动目标检测阶段存在的不足,提出了一种基于自适应混合高斯模型(GMM)的改进算法。将隔帧差分的方法引入背景建模的初始判别阶段,从而迅速地检测出运动变化区域,提高了算法的灵敏度,同时也增强了对缓慢运行车辆的检测的适用性;将划分出的背景及运动区域赋予不同的更新率,使得背景显露区域得到迅速恢复,消去了运动车辆留下的"影子"。在此较为精确的背景模型下,结合灰度和canny边缘特征进行背景差分,有效地保留了与背景灰度相似的运动目标的轮廓。通过实验证明该检测算法取得了较好的效果。     

基于运动目标检测技术的研究

运动目标检测的目的是在序列图像中将变化区域从背景图像中提取出来,因此如何将运动目标进行有效的分割对后期目标跟踪处理等行为有着非常重要的作用,直接影响到整个视频监控系统的性能指标.本文将对静态背景下运动目标检测技术中的帧间差分法、背景差分法进行研究,并通过实验论证其优缺点.     

基于五帧差分和背景差分的运动目标检测算法

静态背景下运动目标检测的抗噪性能较差。为此,提出一种改进的运动目标检测算法。对原始图像进行预处理,将五帧差分和背景差分相结合,利用基于自适应背景模型的动态阈值,提取图像中的运动区域,并进行形态学滤波和连通性检测,最终获取运动前景目标。实验结果表明,该算法能完整提取运动目标,背景适应性强,实时性好。     

基于双阈值的运动目标检测

目前在运动目标实时检测中.主要是运用差分法进行检测.但背景差分受光照、环境影响较大,需要实时更新背景,而帧间差分容易出现空洞和误检.结合背景差分和帧间差分,采用双阈值对运动目标进行分割,能对背景进行实时更新,有效的避免了空洞和误检,并且在机场的运动目标检测中取得了较好的效果.     

抗干扰的运动目标检测算法

针对实时场景中运动目标检测的问题,提出一种改进算法。结合背景差分与帧间差分判定图像是否存在运动目标的过程中,引入形态腐蚀算子抑制大量孤立小噪声,采用基于矩形块的目标判定方法提高检测准确度,通过实时背景更新提高自适应性。实验结果表明改进算法可靠性高、抗干扰性强、背景适应性强。     

基于背景差分和三帧差分的水下运动目标检测

运动目标检测是计算机视觉中目标跟踪和目标分类的基础,其已经应用于水下机器人执行水下任务和海洋生态研究.水下环境中复杂的场景和不良的照明条件往往使对运动目标的检测变得困难.为了解决上述问题,我们提出了一种将背景差分和三帧差分相结合的方法.在这种方法中,首先,我们分别通过背景差分和三帧差分检测运动物体像素.接下来,我们对背景差分和三帧差分的结果进行"与"运算,背景差分提供了对象的信息,以补充三帧差分检测到的不完整的信息.最后,利用形态学处理来消除背景中由非静态物体引起的噪声.实验结果表明,该方法对从水下视频中运动物体检测,具有可靠并有效的效果.     

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.     

结合三帧差分与改进混合高斯模型的运动目标

针对混合高斯模型对于噪声与光照变化检测效果不佳的问题,文章提出了结合三帧差分与改进型混合高斯模型的运动目标检测方法.该方法先通过三帧差分快速获取一副背景图像,然后将该背景图像按一定的比例更新到混合高斯模型主背景分布中,再按照改进的混合高斯模型进行背景提取,最后得到前景图像.实验结果表明,利用改进的混合高斯模型算法,提高了算法检测的准确度,并且结合三帧差分法能有效解决噪声与光照变化问题,提高了算法的鲁棒性.     

基于SCIT的移动目标防御系统分析研究

移动目标防御技术是近年来美国科学技术委员会提出的网络空间“改变游戏规则”的革命性技术之一。在SCIT模型基础上,提出一种基于服务器切换和清洗的移动目标防御系统,通过引入软件的多样性、系统的随机性和不可预测性使防护对象机动化,以改进其安全性。实验结果表明,改进后系统对攻击者的要求更高,系统被入侵的概率显著降低,系统安全性得到进一步提升。     

基于DM642的运动目标检测

提出了一种高斯混合背景模型和YUV色度空间相结合的运动目标检测算法。高斯混合模型对背景光线变化有较强的鲁棒性,且对背景中的周期性变化有较好的抑制作用,检测出的目标有较好的连通性;但其对于全局亮度的变化及噪声较为敏感,容易误判。为此选取对亮度变化不敏感的UV分量来进行运动目标检测,然后再和Y分量的高斯混合背景检测进行"与"运算,从而消除高斯模型的误检,最后针对运动目标的影子问题,采用基于垂直投影图的阴影消除算法除去影子。算法在DM642开发板上实现。实验结果表明,该算法能够实时精确地检测出运动目标,且对全局光照变化不敏感。     

基于Krawtchouk矩的运动目标分类

针对视频监控系统,为了实现对运动目标的有效分类,提高其分类准确率,提出一种基于Krawtchouk矩不变量特征的运动目标分类技术.提取目标图像的低阶Krawtchouk矩不变量来描述目标,确保目标在平移、缩放、旋转条件下的不变性,选用K-means均值聚类算法进行数据聚类,达到准确分类的效果.通过实验验证了该方法的有效性,与应用Hu矩不变量进行分类的结果进行比较,表明了该方法具有较好的分类效果.     

基于平移不变核主分量分析的雷达目标识别研究*

雷达目标识别中,核主分量分析（KPCA）算法是一种重要的特征提取算法,但雷达目标高分辨率距离像（HRRP）具有平移敏感性,使得该方法应用于基于雷达目标识别系统中具有其缺陷性。采用零相位表示法得到平移不变的HRRP,利用KPCA进行特征维数压缩,利用BP神经网络分类算法来实现识别。仿真实验结果表明,该方法实现了平移不变和降维的结合,具有较高的识别率和很好的推广性。     

基于联合直方图的运动目标检测算法

从视频序列图像中检测完整的运动目标一直是计算机视觉研究的热点,基于联合直方图提出了一种运动目标检测算法。该算法利用联合直方图来描述相邻帧间的相似性,通过对视频序列中相邻两帧图像进行逐次分块,计算相邻帧对应分块的联合直方图并结合构造的相似性指标以逐步去除背景块,算法对运动目标本身不作处理,就能有效地避免检测到的运动目标出现空洞现象,最终得到了完整的运动目标。数值实验说明了该算法具有较好的检测性。     

基于DM6437的运动目标检测系统

采用非参数化的核密度估计完成背景减法,设计了基于高端数字媒体处理器KM6437的实时运动目标检测系统.提出了一种有效的背景更新策略,使得背景的更新更加可靠,提高了检测的精确度.实验表明该系统能够对目标进行比较实时和准确的检测.     

基于背景分类的运动目标检测算法

针对光线暗、对比度和分辨率低的监控视频,提出了一种基于背景分类的运动目标检测算法。 首先用视频第一帧图像HSV空间的色度H和亮度V作为背景特征进行初始化,建立两种包含色度和亮度特征的背景模型类,即初始化得到的原始背景类和受光照或者其他因素影响得到的在原始背景周围波动的背景波动类,利用这两个背景模型进行前景检测和背景更新。为提高前景检测的准确率,背景模型的更正加入背景更正机制和权重机制,使得背景中样本的数量根据背景的实际情况处在一种动态的变化中,提高前景分割的效率。用不同场景下的监控视频进行算法对比实验,结果证明,该算法获得的前景完整清晰,视频处理的速度较快。提出的算法简单实用,对噪声干扰表现出良好的鲁棒性。     

基于FPGA的动态目标跟踪系统设计

为了解决基于PC机的视频动态目标跟踪实时性瓶颈问题,设计出一种基于FPGA的动态目标跟踪系统。设计遵循图像处理金字塔模型,针对低层和中层算法简单、数据量大且存在一定并行性等特点采用FPGA硬件实现,而高层较复杂算法使用Nios Ⅱ软核进行C语言编程。整个设计采用Verilog-HDL对算法完成建模与实现,并在QUARTUS Ⅱ上进行了综合、布线等工作,最后以Altera公司的DE2开发板为硬件平台实现了整个系统。     

改进KAZE算法的移动目标检测

针对KAZE算法特征提取速度慢以及移动目标检测效果差等问题,提出一种改进KAZE算法的移动目标检测算法。在原有KAZE算法基础上,对求解线性非尺度空间的迭代步长进行了重新修正;在特征匹配阶段,对特征点在相邻帧间位移进行求解后,用于背景估计。实验结果表明:改进后的算法加速了非线性尺度空间的求解,特征点提取速度提升了9. 3%,特征匹配率提升了1. 6%;用于无人机移动目标检测中,也取得了良好效果。