基于图像差分智能交通运动目标检测的设计

为了减轻日益严重的交通拥堵问题,实现交通运输智能化控制,设计了基于图像差分的智能交通运动目标检测的软硬件平台.通过对交通运动视频中运动目标的提取、采集、统计、传输等处理,使交通指挥中心可全面掌控交通状况,达到提高道路利用率、解决交通拥堵的作用.结果可知,本系统准确率较高,可作为省道、城市快速路的智能交通系统的一部分.     

视频监控系统中运动目标的实时检测

实现鲁棒且实时的目标分割是视频监控系统的关键。针对照明条件连续变化的监控环境中背景图像像素灰度不断变化的情况,提出一种能自适应光线变化的背景更新算法,利用帧间差分和背景差分共同确定运动目标。实验结果证明该算法运算量小、鲁棒性好,适用于室内或室外的监控设备。     

智能视频监控中运动目标检测的研究

针对某武器试验中背景复杂,现有的背景差分法在背景模型的维持和更新不能用于长期和复杂的场景,以及对近地目标提取检测困难的问题,提出一种改进的背景差分法。该算法采用结合邻域信息的背景差分法和最大方差阈值法,能够在一定程度上减小背景滞后更新引起的运动目标检测误差,且使目标边缘提取更加明确,从而提高了系统的运行速度,实现复杂背景下的运动目标检测。在Visual C＋＋6.0中用OpenCV实现了相关算法的设计,并给出了完成系统任务所需的部分关键代码,实现了运动目标和试验场景的分离与提取。仿真实验验证了该算法的有效性以及实时性。     

智能监控系统中一种改进的目标检测算法

目标检测算法是智能监控系统研究领域中的一个重要课题,基于混合高斯模型的背景差分方法是其中一种广泛使用的目标检测方法,但是,在当场景本身发生变化,如当静止的物体开始移动时,存在背景模型对背景的变化的不能快速、及时地响应等问题。本论文针对运动目标的检测,提出了一种新的混合高斯模型自适应更新算法,它能够快速准确地初始化背景模型,加强模型适应场景变化的能力。仿真实验结果表明,该算法准确性高,运算速度快,能够较快适应背景的变化,可以满足实时检测的需要。     

多目标检测与跟踪算法在智能交通监控系统中的研究进展

多目标跟踪的研究对于构建人、路、车、云协同一体化的智能交通监控系统具有广泛的应用价值,传统手工设计特征的方法对高层信息的表征能力有限,难以进行复杂场景下的多目标跟踪,随着深度学习的发展,多目标跟踪算法的性能取得较大进展.为了宏观把握基于深度学习的多目标跟踪算法的研究进展,首先比较基于检测的跟踪算法、基于联合检测与跟踪算法、基于单目标跟踪器的多目标跟踪算法的优缺点;然后介绍多目标跟踪算法在智能交通监控场景的应用;最后总结目前多目标跟踪存在的问题与挑战,对多目标跟踪算法未来在智能交通领域的发展进行思考和展望.     

视频图像中运动目标检测算法的提高

基于士兵对抗射击系统,研究复杂环境下运动目标检测算法的提高,从提高算法处理效率和降低外界干扰对算法准确性影响两方面进行讨论. 对士兵对抗射击系统中大尺寸的视频流图像,先在下采样图像中判断运动目标的位置,再根据运动目标的位置,到原图中进行精确分析,从而提高算法的处理速度. 通过背景融合方法更新图像背景,用不断更新的图像背景结合背景差分法获取运动目标,可以有效消除场景光线变化和相机抖动等因素对检测结果的影响,提高算法的准确性.     

视频序列中的运动目标检测

针对室内安全监控的场景特点,提出一种稳健的运动目标检测方法,对每个背景像素使用多个矢量表示,利用当前帧和背景帧像素的色度分量差分进行运动检测,并选择性地更新背景模型.实验表明,该方法能有效消除背景中振动对象的干扰,提高运动目标检测的准确性,有利于消除由于虚假目标而导致的误报警.     

交通监控系统中运动目标的检测与跟踪

提出交通监控系统中应用视频图像流来精确检测、提取运动目标，并对目标进行分类、跟踪。自动判别机动车辆是否遵守的交通规则，对违规车辆作全程记录。     

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.     

自适应人体运动目标精检测

现有人体检测算法普遍存在检测精度不足,适应环境能力差的缺点,为了改善这种情况,提出了一种结合区域RGB权值和自适应阈值的人体精检测算法。该算法首先通过背景差分法对前景人体目标进行快速检测,分离出近粗略人体目标区域,然后根据人体的特征将人体可能的区域范围确定,结合两次检测的区域估计出人体目标区域。将目标区域分割为若干大小相同的小块,分别对每一个小块计算RGB权值和检测阈值,并归一化到（0,255）区间,利用加权后的新值和得到的阈值通过背景差分法进行精检测,得到最终结果。实验结果表明：本文的检测算法可以比现在流行的基于HIS的人体检测算法精度提高10%左右,比普通的背景差分法检测精度最高可提高40%左右。通过实际验证,本文的算法完全满足人体检测对精度和适应性的要求。     

一种改进的复杂场景运动目标检测算法

提出了一种复杂场景视频序列中运动目标精确检测及提取的改进算法,该算法首先采用混合高斯模型(简称GMM)对背景及前景建模快速地实现前景运动区域提取,然后结合目标帧间相关性和随机噪声帧间无关的特点采用时间滤波(Tem-poral Filter)法和数学形态学进行后处理.实验结果表明本文所采用的改进算法能准确的提取运动目标滤除动态噪声,提高了检测鲁棒性,对复杂干扰场景下的实时运动目标检测得到了较令人满意的效果.     

基于提升小波变换和独立分量分析的运动目标检测

独立分量分析是一种新颖的盲源分离技术,可以有效分离信号中相互独立的源信号。为了提高独立分量分解的精度和收敛速度,提出了一种将提升小波变换和独立分量分析相结合的运动目标检测方法。仿真实验结果表明,此方法能够较好地检测出运动目标并且与一般的独立分量分析方法相比,减少了运行时间,具有更好的收敛性,是一种有效的运动目标检测方法。     

运动人体的检测跟踪方法的研究与实现

智能监控系统的广阔应用前景使得它成为计算机视觉领域中备受关注的前沿方向。从背景的更新和运动目标的跟踪两部分入手,详细介绍一种以双高斯背景模型对背景进行更新,并用卡尔曼滤波器进行人体跟踪的算法。在实际的自然光照环境中成功地进行实验,取得了较好的结果。     

基于Surendra背景减除法和四帧差分法的目标检测算法

研究监控环境下的运动目标检测算法,提出一种新的运动目标检测算法。利用四帧差分算法将连续四帧两两差分得到运动区域,与Surendra背景减除法确定的运动目标相结合,采用动态阈值以适应光线突变,通过连通性检测和孔洞填充进行后处理,综合得到运动区域图像。实验结果表明,该算法有效地去除了噪声、空洞及双影等现象,具有较好的实时性和鲁棒性。既能精确地检测出运动目标,又能迅速响应实际场景的变化。     

复杂场景中运动目标的检测

由于检测场景的复杂性,传统的运动目标的提取常常采用自适应背景更新及自适应阈值分割方法,以去除噪声干扰,提高检测准确性。针对这种情况,提出在背景减除法的基础上通过改进的背景掩膜算法进行背景更新,利用场景的复杂性及系统中运动目标出现在障碍物边缘的特点,进行检测区域及非检测区域的划分,并采用阈值伪图的方法对整个视频序列图像进行自适应阈值分割。实验结果表明,该方法能够有效去除由于光线变化产生的噪声,以及由于相机抖动引起的背景与当前检测帧之间由位置偏差而产生的噪声,并避免了阈值分割时运动目标本身会出现空洞的问题,为后续运动目标的识别与跟踪奠定基础。     

动态场景下基于精确背景补偿的运动目标检测

针对动态场景下因背景补偿效果欠佳而不能准确检测运动目标的问题,提出一种基于精确背景补偿的运动目标检测算法。算法采用加入对称约束的SURF特征点匹配算法,以获得稳健的匹配点对。同时利用自适应外点滤除法去除目标点对全局运动估计的影响,显著地提高了背景补偿的精度。最后用帧差法准确地检测出运动目标。实验结果表明,该算法具有很好的鲁棒性,能够在背景复杂且摄像机运动的环境下准确地提取出运动目标。     

视频图像序列中的运动目标检测技术

对视频监控中的运动目标检测的基本原理和方法进行了阐述,介绍了几种运动目标检测方法,最后指出了评价各种方法的性能所面临的问题.     

视频流中运动对象的轨迹

本文通过分析视频流中运动对象及轨迹,提出了描述轨迹的数据结构和进行轨迹匹配的算法。     

一种基于背景模型的运动目标检测与跟踪算法

本文提出了一种静止摄像机条件下的运动目标检测与跟踪算法．它以一种改进的自适应混合 高斯模型为背景更新方法，用连通区检测算法分割出前景目标，以Kalman滤波为运动模型实 现对运动目标的连续跟踪．在目标跟踪时，该算法针对目标遮挡引起的各种可能情况进行了 分析，引入了对运动目标的可靠性度量，增强了目标跟踪的稳定性和可靠性．在对多个室外 视频序列的实验中，该算法显示了良好的性能，说明它对于各种外部因素的影响，如光照变 化、阴影、目标遮挡等，具有很强的适应能力．     

基于BP神经网络的睡眠呼吸综合症智能检测系统

提出了应用BP网络对睡眠呼吸暂停病症进行检测的技术方法。考虑到临床检测采集具有数据量大,伴有噪音干扰等特点,采用BP网络,其并行性、客错性较好,具有较强的自适应性及通过实例学习的能力,有助于克服单个诊断医师在知识获取方面存在的“瓶颈”问题。开发出来的睡眠呼吸综合症智能检测系统可以选择采集好的病人样本数据进行自学习,建立病人的特征模型,自动进行数据分析和异常情况的识别与分类,对病人的患病率进行预测。通过实验测试,该系统预测的准确率在88．5％左右,高于单纯的人工诊断,并显著提高了诊断效率。