足球机器人比赛场地图像特征识别

为实现足球机器人比赛场地图像信息的高效分辨,本文提出一种利用HSV彩色空间进行特征识别的算法,根据HSV彩色空间的颜色和亮度无关,将彩色图像从RGB空间转换到HSV空间,经过H分割对场地信息进行识别,最后实现具有显著颜色特性的图像的分类识别。实际运行分析表明:该算法具有较好的稳定性和鲁棒性。     

改进基于HSV空间的阴影检测算法

为实现复杂视频中前景目标的分割,需要解决前景目标准确提取难题,但在光照情况下,会受到阴影影响。为解决这一难题,提出一种结合高斯混合模型的HSV颜色空间阴影检测算法。对HSV颜色空间阴影检测进行修正,消除对非运动目标区域阴影的误检,加入运动目标轮廓检测,消除运动目标边缘阴影误检,得到运动目标阴影的准确检测。实验结果表明,该算法能有效检测复杂背景下的阴影目标,为获得准确分割前景目标奠定基础。     

结合阴影抑制的混合高斯模型改进算法

混合高斯模型背景法作为运动目标检测的一种经典方法,已经广泛应用于智能视频监控系统中。但是,传统的混合高斯模型背景法容易将阴影误检测为运动目标的一部分。因此,针对该方法在区分阴影和运动目标方面的不足,提出了一种将混合高斯模型背景法和HSV空间阴影抑制相结合的运动目标检测算法。这种改进算法首先将颜色空间转换到HSV空间,初步提取运动目标,然后再利用阴影的灰度值比背景中的灰度值小,而前景的灰度值比背景中灰度值大的特性,检测出运动目标中的阴影。实验结果表明,这种改进的算法明显提高了检测效果,有效抑制了阴影对运动目标检测的干扰,算法实时性也较好。     

运动目标检测中的阴影去除方法

采用背景差分法检测运动目标时常常将阴影点检测成前景点,对目标分割与提取产生严重影响。为了准确提取运动目标,提出了一种基于YUV颜色空间色度畸变和一阶梯度模型进行阴影去除的方法。实验表明该算法抗干扰能力强,而且复杂度较低,易于实现实时运动图像处理。     

HSV色彩空间的Retinex结构光图像增强算法

在结构光几何重建中,由于拍摄方式和场景照明情况的复杂多变,使得产生的图像可能会因为光线的亮暗不均造成图像细节的缺失.为此,提出一种基于HSV色彩空间变换的带颜色恢复Retinex算法和色彩饱和度校正策略.针对颜色保持的需要,首先将传统RGB空间上的多尺度Retinex算法转换到HSV颜色空间;然后通过分析HSV颜色空间模型来增强模型中的V分量,同时利用相关系数使S分量随着V分量的增强进行自适应调整;最后将HSV模型转换到RGB空间,使增强后的图像颜色得到保持.实验结果表明,该算法应用于结构光条纹图像的增强中将使结构光图像在颜色得到保持的同时细节信息也得到了增强,更利于后续条纹信息的提取及自动编码.     

改进的HSV阴影去除算法研究

针对视频序列图像中运动目标的阴影会造成运动目标的物理变形,影响运动目标的检测与跟踪等问题,提出了一种基于HSV色彩空间的无阈值阴影去除算法。该方法通过分析阴影与背景的HSV彩色空间中的特性,并利用阴影与运动目标在H、S、V三个分量中的不同特点,提出了一种无阈值的阴影消除算法。实验结果表明,该方法能够很好地去除阴影区域,同时又保持前景目标区域的完整性。     

一种基于边缘信息与HSV颜色空间相结合的阴影检测算法

在基于HSV颜色空间检测阴影的基础之上．针对其存在的问题,即容易把亮度较低的车辆也作为阴影消除．提出一种利用车辆边缘对称性的HSV方法。该方法先对感兴趣区域进行边缘检测．之后在垂直方向上对像素点的个数进行累加．由于车辆两边的边缘轮廓明显．累加值通常最大。以此求得车辆的边缘与对称轴,确定车辆的范围,之后在车辆区域之外采用基于HSV颜色空间的方法进行阴影的消除。实验表明,该方法能有效解决亮度较低的运动目标被检测成阴影的问题。     

基于颜色和形状信息的快速人数统计方法

人数统计一直以来都是计算机视觉和智能视频监控领域的重要研究内容;但是由于遮挡、阴影和光照变化使得构建一个实时、准确的人数统计算法变得异常困难;提出的结合颜色信息和形状信息的人数统计算法对人头进行检测和跟踪,有效地减小了行人遮挡对算法精度的影响;提取颜色信息在HSV空间中的V通道进行,大大降低了阴影和光照变化对统计精度的影响;算法首先使用颜色信息和形状信息实现快速人头检测,然后使用一种融合颜色、距离和形状信息的跟踪方法对人头进行跟踪,最后通过对跟踪轨迹分析,推断出人数.另外,快速模板匹配技术的使用,极大地减小了算法的运算复杂度;实验结果表明该算法可以快速、有效地实现对指定区域的人数统计.     

基于边缘信息及光照方向的阴影检测算法

提出一种基于边缘信息及光照方向的阴影检测算法。该算法通过将HSV和RGB彩色空间的阴影特征相结合进行初步检测,从初步检测得到的阴影中估计光照方向,运用基于边缘信息阴影检测算法检测在光照方向角阈值范围内的阴影区域,实现对运动目标阴影的准确检测,为运动目标后续处理排除阴影干扰。实验结果表明,该算法能较好地抑制噪声,阴影检测效果比传统算法好。     

联合两种颜色空间的阴影检测算法

在视频监控的运动检测中,由于光照、风吹等影响,运动阴影常常被误认为运动对象。为了有效解决动态背景下运动目标中存在的阴影问题,提出了一种归一化的RGB颜色空间和HSV颜色空间相结合的阴影消除方法。该方法首先在归一化RGB颜色空间下用背景减除法得到运动目标,然后在HSV空间下对阴影进行检测和消除,从而得到真实运动目标。实验结果证实：该方法在运动目标检测及跟踪方面取得了较好的效果,对动态背景的视频,能准确、实时地检测出阴影并进行消除。     

基于阴影检测的HSV空间自适应背景模型的车辆追踪检测

在交通监控中，要进行车辆的检测、车流量统计、实时追踪、车速测定等工作，而如何从复杂的背景中分割运动物体是至关重要的一步，目前采用的典型方法是背景相减方法。为了对运动车辆进行准确快速的检测，在研究了目前存在的各种方法之后，提出了一种新的基于阴影检测的HSV空间自适应背景模型的车辆追踪检测算法，并将其应用于运动物体的分割，同时给出了具体的试验结果。该方法之所以不在传统的RGB空间实现，而在HSV空间实现，因为HSV空间可以提供更丰富的颜色信息。运行试验结果表明，该方法准确率高，适应性强，运算速度快，兼具灵活性，能满足实时检测的需要。     

基于多特征融合的车辆阴影检测与去除

基于ViBE目标检测算法,融合交通监控视频中车辆的边缘与颜色特征,提出一种基于多特征融合的算法,实现对复杂交通场景中车辆阴影的检测与去除。通过ViBE提取前景目标,采用串行融合方式检测阴影。首先在传统的基于边缘特征检测阴影的基础上,利用水平集方法代替水平垂直填充,实现多个前景目标内部边缘的快速填充。在获取候选的阴影区域后,结合HSV颜色特征以及形态学处理等操作,以达到更好的阴影去除效果。通过对不同的视频图像序列进行测试,表明提出的多特征融合算法能有效去除投射阴影,且优于单个特征方法,适用于复杂的交通场景。     

HSV自适应混合高斯模型的运动目标检测

在目前的计算机视觉应用中,从视频序列中提取出运动目标是一个研究热点。针对传统方法在复杂多变环境下不能很好地检测出运动目标且运算量较大的问题,根据HSV颜色空间的特点,提出了一种基于HSV颜色空间的自适应混合高斯背景建模和阴影消除的方法。首先,在传统的混合高斯背景建模的基础上,引入了一种新的混合高斯模型高斯成分个数的自适应选择策略以提高建模的效率。其次,根据阴影在HSV向量空间的特点,融入了一种新的阴影消除方法,以检测出带阴影的运动目标。该方法能够快速准确地建立背景模型,准确分割前景目标。与传统的阴影消除方法相比,该方法可以在不需要设置阂值的情况下,对运动目标的阴影进行很好的消除,有很好的鲁棒性和实用性。     

结合HSV与纹理特征的视频阴影消除算法

目的 在视频监控目标检测应用中,场景中的阴影会直接影响目标检测的准确度,因此阴影抑制算法研究显得尤为重要。目前广泛使用的是HSV（hue,saturation,value）阴影抑制方法,但是该方法存在由于亮度比值的阈值不稳定而造成将运动目标也检测为阴影的问题。针对该问题,本文提出了一种结合HSV与纹理特征的视频阴影消除方法。方法 首先将输入的图像使用传统的混合高斯模型建立背景并在灰度空间中提取前景,其次在HSV空间使用亮度比的阈值方法检测阴影,二者综合得到运动目标;针对由于亮度比值的阈值不稳定而导致的前景误检为阴影的问题,采用了LBP（local binary pattern）算子结合大津阈值（OTSU）提取部分运动目标。最后将LBP算子结合大津阈值提取的部分运动目标与HSV空间检测的目标两者相或,最终去除运动目标的阴影。结果 本文选用在CVPR-ATON和CAVIAR标准视频库中多个场景的阴影视频,将本文算法与SNP算法、SP算法、DNM1算法和DNM2算法进行对比仿真,实验结果表明本文算法在阴影检测率和阴影识别率的平均值上提升约10%。结论 本文提出的视频阴影消除算法结合了HSV与纹理特征,可以在不同的环境中有效地去除阴影,运动目标保留完整,可适用于智能视频监控、遥感图像和人机交互中。     

视频图像中运动目标的阴影消除法

针对在视频序列图像中运动目标的阴影造成运动目标的物理变形,影响运动目标的检测与跟踪;同时,由于目前常用的阴影检测算法,总是要先检测到阴影,再分割阴影,需两步才能达到消除阴影目的,难以达到实时检测要求。为此,提出了一种基于视频图像快速阴影消除方法。该方法通过分析阴影与背景的HSV彩色空间中的特性,利用阴影与运动目标在H,S,V三个分量中的不同特点,计算其相应的阈值,运用该阈值进行分割并消除阴影,能在视频序列图像中一次性检测到运动目标的同时就消除阴影。实验表明,在户外条件下,该算法是准确有效的。     

结合区域配对的室外阴影检测

目的 针对现有大多数阴影检测算法在检测细长阴影、自阴影、区分阴影与暗色像素等方面的不足,提出一种新的结合区域配对的阴影检测算法.方法 首先通过均值漂移算法和canny检测算法,分割图像得到每个独立的区域;然后从每个区域中提取纹理和亮度建立单个区域的阴影模型,再从区域对中提取纹理直方图的距离、颜色比(分别在RGB和Lab空间下)以及HSI空间下H和I两通道的比值等特征建立区域对的阴影模型;最后根据上述两个模型运用图割理论检测阴影.结果 实验结果表明,本文算法在阴影检测上的准确率高达85.2%,远高于其他算法,检测速度也比其他算法快34%左右.该算法不仅能有效地检测细长阴影和自阴影,还能较好地区分阴影与暗色像素.结论 提出了一种新的阴影检测算法,通过区域配对的方法实时处理单幅室外图像.实验结果表明,该算法在检测细长阴影、自阴影以及区分阴影与暗色像素等方面有良好的效果.     

基于HSV颜色模型的广义梯度矢量流图像分割方法

采用广义梯度矢量流（Generalized gradient vector flow, GGVF）作为势能函数的Snake算法在处理灰度图像分割时具有较好的性能.但当处理彩色图像时, GGVF模型往往将彩色图像转化为灰度图像进行处理,此过程造成颜色信息丢失,因而容易受到阴影等伪边界灰度变化的干扰.本文提出了基于HSV颜色模型的GGVF,充分利用了图像的色彩信息进行图像分割.实验结果表明,该方法能够有效地区分彩色图像的真实边界与由阴影产生的伪边界,并取得较好的分割结果.     

融合色彩比和梯度不变性的运动阴影检测

为解决运动前景的准确分割受运动阴影影响的问题,提出了一种融合色彩比和梯度不变性的运动阴影检测算法。该算法分析了阴影像素的色彩比和区域纹理梯度的光照不变性,利用亮度变化特性和色彩比不变性初步确定候选运动前景中的阴影像素,然后在候选阴影区域利用纹理梯度不变性进行去错处理,两者的结合弥补了单一特征或单一类型特征的阴影检测性能差的缺陷,提高了阴影检测率和阴影分辨率,能够准确地将阴影和前景区别开来。     

结合色度和纹理不变性的运动阴影检测

目的：在运动检测中,运动物体产生的阴影常常被错误地检测为运动物体本身,为了将阴影从检测结果中消除,本文提出了一种色度不变性和纹理不变性相结合的运动阴影检测方法。方法：首先从阴影的物理模型出发,直接在RGB颜色空间利用色度不变性来获得候选阴影区域,然后根据颜色信息对候选阴影区域进行分割,对每个子区域,利用一种基于局部二值模式的指标来度量其与对应背景区域的纹理相似程度,进而判断该子区域是否是阴影,从而得到最终的检测结果。结果：在公开测试集上的实验结果表明我们的方法可以有效地检测出运动阴影,相对于几种常用的阴影检测算法具有一定的优势。结论：本文将像素级水平和区域级水平阴影检测方法结合起来,提出了一种结合色度不变性和纹理不变性的运动阴影检测方法。实验结果表明,在多类复杂场景中,本文方法都能有效地将运动阴影检测出来,具有较强的鲁棒性。