基于概率估计的运动目标检测算法

针对现有智能视频中运动目标检测算法存在的问题,提出一种新的对称差分及背景减除相融合的算法。该算法基于子块操作,首先利用高斯分布的概率特性,分离出运动变化区域和静止区域,对分割阈值的选取进行了改进;然后背景重构;最后通过背景和变化区域相差分得到精确运动目标分割。实验结果表明,该方法能够对监控场景中运动目标进行有效的分割,对光线变化、背景干扰不敏感,具有较好的鲁棒性和实用性。     

基于高斯运动模型的车辆检测

针对交通视频监控中常见的双向车道场景,改进得到一种更精确的高斯运动模型,将本不属于同一分布的双向运动车辆对应像素通过变量变换,转换成同一分布。再使用高斯运动模型分别对运动车辆和运动背景建模,通过贝叶斯判定检测出运动车辆。实验结果表明,此方法在单向车道和双向车道的场景中均具有更高的车辆检测准确率,其中在双向车道场景中,检测效果大幅提升。     

基于背景模型的车辆目标检测

为了实现对交通车辆快速准确地统计,文中提出一种自适应权值的背景更新方法以适应道路环境的复杂变化.首先在多个通道建立单高斯背景统计模型,然后利用场景中像素的概率分布实现对运动区域的准确检测,最后根据检测结果实现对交通流量的统计.实验结果表明:该方法能够对运动车辆进行快速准确地检测和统计,并对场景的光照变化等影响具有较高的鲁棒性.     

一种自适应调整K-r的混合高斯背景建模和目标检测算法

针对非平稳背景下的复杂场景,该文提出一种自适应调整K-r的混合高斯背景建模和目标检测算法。该方法利用混合高斯模型(GMM)学习每个像素在时间域上的分布,构建自适应调整高斯分量K的方法,并针对不同情况,对描述像素的高斯分量数进行增加、删除或合并;在此基础上,模型参数更新式中引入了两个新的参数,能够根据实际情况自适应调整r值,使得背景建模和目标检测能够准确实时地随像素变化而变化,从而减少了运动目标信息的损失,提高了算法的鲁棒性和收敛性。实验表明,该算法在有诸多不确定因素的序列视频中能够迅速响应实际场景的变化,实现自适应背景建模和准确的目标检测。     

一种基于局域灰度分布的自适应运动检测算法

运动检测是基于视频的智能交通系统的基础,为了能够快速、准确的适应背景变化,本文提出了一种基于局域灰度分布的运动检测算法,利用图像块的灰度分布特征,构造相应的离散概率模型,并采用自适应的模型参数更新方法。实验证明,算法能够自适应交通场景中背景的多模态性、动态背景、光照变化以及一定程度的遮挡等情况,并且训练时间短,每帧的处理时间也能够满足实时性要求。     

鲁棒的实时多车辆检测与跟踪系统设计

场景中的运动阴影导致多目标粘连,车辆间的相互遮挡使得跟踪识别困难.本文针对这两个影响实时车辆检测与跟踪系统性能的主要因素,采用基于无偏卡尔曼滤波器(UKF)的方法为场景背景建模,提取出运动区域,再通过边缘特征检测出场景中的运动阴影,然后利用角点信息将目标与阴影分离;提出了一种基于运动预测框的目标跟踪算法,将它与基于车辆平行四边形轮廓的遮挡分割方法结合,构建了多车辆目标的实时跟踪系统,并用实验验证了它的实用性与鲁棒性.     

视频监控的目标检测研究

为了实时准确的提取出运动目标,提出了一种基于帧问差分的背景重建算法及基于运动前景的背景更新算法。该算法先对摄像头采集的视频序列进行帧间差分背景重建,通过自适应阈值的背景减法得到运动前景,并分辨出运动目标和伪运动目标,然后进行区域性背景更新。当背景发生整体或局部变化时,该算法能够快速地检测出背景变化,并采用相应算法实时更新背景。实验结果表明,该算法能快速、准确地重建出背景,从而能够完整地提取场景中的运动目标。     

基于子特征的交通车辆检测及跟踪算法

通过对交通场景实际情况的分析，特别是考虑到视频在相邻帧之间的变化，提出了一套鲁棒、实时的背景提取及更新算法．实现了基于背景差分算法的车辆检测和提取。同时，根据车辆的角特征点信息，将卡尔曼滤波器引入车辆跟踪算法中，并借助光学投影方程部分恢复待匹配角特征点的高度信息，以检查匹配算法的准确性。经过大量的单目交通图像序列的测试。表明该算法是鲁棒而且实时的，可以有效地从交通场景中提取出运动车辆，并在视野范围内对其予以跟踪。     

光流算法比较分析研究

运动目标检测是计算机视觉中重要的课题,运动目标的正确检测与正确分割影响着后续目标的跟踪与识别;光流法是运动目标检测和分析的重要方法,它能够在不知道任何预先场景情况下检测出独立的运动目标,并且可适用于动态场景的情况。首先介绍了光流的基本概念,然后介绍了常用的光流的四种算法;接着以智能交通中路口车辆视频为例,将这四种光流算法用于车辆检测,然后对四种光流算法的优缺点进行分析;最后对光流法在未来可能研究及改进的方向提出展望。     

一种基于H.264/AVC压缩域的GOP级视频场景转换检测算法

本文提出了一种基于H.264/AVC压缩域的GOP(Group of Pictures)级视频场景转换检测算法.该算法利用H.264/AVC基本档次码流中的帧内预测模式、运动矢量和宏块编码类型等可用信息,提出了基于子块的色度模式差异、累积运动值和累积帧内宏块数等三个判决准则,然后综合利用这三个判决准则,提出了一种GOP级的视频场景转换检测算法.实验结果表明,与现有的一个COP级场景检测算法对比,本文提出的GOP级视频场景转换检测算法可以获得更好的检测性能.     

基于运动向量模型的车辆检测

提出一种算法,它针对动态背景和运动车辆运动向量的各自特征分别进行相应建模,再利用图像的帧内信息修正模型参数,并使用贝叶斯准则检测出运动车辆,实验结果表明,此方法具有更高的车辆检测准确率.     

混合交通环境中的阴影检测算法

在城市交通流量视频检测系统中,目标阴影总是干扰对目标的正确检测和识别。在混合交通环境下,传统的阴影检测算法总是避免不了进行边缘检测、模板匹配等运算,不仅处理速度慢,而且对行人阴影的检测效果不好。本文提出一种基于颜色信息的阴影检测算法,该算法首先在图像中检测出运动区域,然后在运动区域内计算目标R、G、B颜色分量的灰度距离和色彩距离;最后根据这两个距离量检测出区域中的阴影。实验表明,该算法能够正确检测出车辆和行人的阴影,还能在雨天对目标的路面倒影进行检测,而且计算速度较快。     

一种基于视觉注意模型的可移动目标检测方法

提出了一种基于视觉显著性的目标检测算法,用于对位于地面上的车辆、飞 机等地面可移动目标进行检测和定位。针对地面可移动目标在场景中较小的特点,设计了一种用于对 目标检测进行引导的基于视觉注意机制的目标显著模型。首先,提取图像目标的颜色特征、强 度特征和方向Gabor特征,并将其结合起来用于计算显著图。然后以超像素为单位对 显著值进行计算,并结合人眼视觉敏感度对不同距离的超像素之间的差异进行加权处理。实 验结果表明,本文算法可以有效地检测并定位出复杂背景中的地面可移动目标。     

基于统计的灰度视频自适应背景建模算法

针对灰度视频的目标检测依赖先验知识、召回率低以及单一算法无法同时兼顾静态与动态背景等问题,提出一种基于统计的背景建模算法。该算法无需先验知识,根据统计信息可以准确区分静态背景和动态背景,并采取不同的检测策略提取目标。对于静态背景,采用改进的三帧差分法自适应设置阈值,可以保证较高的召回率。对于动态背景,采用改进的概率密度估计法可以有效降低虚警率。采用所提算法对光照变化以及阴影进行处理,可以进一步提升算法的性能。在公开数据集与实际采集红外数据进行验证实验。实验结果表明,所提算法在多种场景中处理灰度视频的结果比其他传统算法好,在保证准确率的同时可以极大地提升召回率,并且有效提高目标的完整性。     

Vehicle detection using normalized color and edge map.

This paper presents a novel vehicle detection approach for detecting vehicles from static images using color and edges. Different from traditional methods, which use motion features to detect vehicles, this method introduces a new color transform model to find important "vehicle color" for quickly locating possible vehicle candidates. Since vehicles have various colors under different weather and lighting conditions, seldom works were proposed for the detection of vehicles using colors. The proposed new color transform model has excellent capabilities to identify vehicle pixels from background, even though the pixels are lighted under varying illuminations. After finding possible vehicle candidates, three important features, including corners, edge maps, and coefficients of wavelet transforms, are used for constructing a cascade multichannel classifier. According to this classifier, an effective scanning can be performed to verify all possible candidates quickly. The scanning process can be quickly achieved because most background pixels are eliminated in advance by the color feature. Experimental results show that the integration of global color features and local edge features is powerful in the detection of vehicles. The average accuracy rate of vehicle detection is 94.9%.     

Automatic Moving Vehicle Detection and Classification Based on Artificial Neural Fuzzy Inference System

The main objective of this work is to automatically detect moving vehicles on the road. Adaptive Neuro-Fuzzy Inference System (ANFIS) classifier is adopted in this paper to classify moving vehicles on road. An input traffic video scenes are taken with vertical and horizontal positioned cameras. The proposed system contains six major steps such as preprocessing, vehicle detection, tracking, structural matching, feature extraction and classification. In this proposed method, preprocessing consists of color conversion and noise removal. Vehicle detection is performed by using background subtraction and Otsu thresholding algorithm. Kalman filter is used in the third step to track moving vehicles in successive frames. In the fourth step, Active Shape Modelling method is used to recover the 3D shape of the vehicle in order to find the boundaries of vehicle. In the fifth step, features of the detected vehicles are extracted by Harrish corner detector, log Gabor filter and these features are taken into account to classify the types of vehicle. Finally, ANFIS is proposed to classify the vehicles which is trained by updating the membership function. Experimentation results provides better accuracy rate and low mean error rate when compared with the state of art methods.     

Improved sigma-delta background estimation for vehicle detection

An enhanced version of the sigma-delta background estimation method for vehicle detection is proposed. A selective updating of the background model at the pixel level is included to deal with slow moving or temporarily stopped vehicles. The proposed algorithm is compared with some previous enhancements of the sigma?delta method, showing its effectiveness in urban traffic scenes.     

傅里叶域内双背景模型的海上红外序列图像目标检测

针对不同波动程度的海场景下红外目标检测的难点,提出一种傅里叶域内对海背景进行双模型建模的目标检测算法.由于不同的海场景具有不同的海水波动模式,用单一的模型较难准确的描述所有的海场景.海水在傅里叶域内幅度谱的稳定性较强,因此提出一种傅里叶域内的双海水背景模型,即概率单高斯模型和混合高斯模型.首先对海上红外图像进行行方向的...     

红外交通场景下遮挡行人目标检测算法研究

针对交通十字路口等视野盲区往来行人间存在遮挡情况,如何高效准确地检测复杂道路中目标行人具有实际意义。为了实现夜间交汇路口场景行人检测,提出一种基于改进YOLOv5的行人目标检测算法,采用Non local和PSA模块对YOLOv5原网络的Bottleneck CSP进行改进,能够有效弥补遮挡中行人特征的帧间信息交互过程,增强长程范围通道特征依赖关系。设计更深的160×160检测层和自适应anthor,提升夜间行人检测的边界回归精确度。实验结果表明,针对夜间下交通路口场景,压缩改进后模型对行人检测鲁棒性高,相较于原始算法mAP_0.5和mAP_0.5:0.95值分别提升了14.2和12.7,说明所提算法对夜间行人检测的有效性。