融合运动特征的高效视频火焰检测算法

提出一种轻量高效的视频火焰检测算法。该算法以基于深度学习的卷积神经网络目标检测算法为主体,提取监控视频中的图像帧,识别并定位火焰区域。加入运动目标检测模块作为后处理机制,依据连续视频帧中火焰的运动特性,采用基于混合高斯模型的运动目标检测算法对火焰目标检测结果进行合理化判断,减少类似火焰的静止物体或光线造成的误报,效率高且资源消耗少。此外,收集并标注了一套火焰检测数据集（Fire detection dataset,FDD）,包含多种场景下多类型燃烧物产生的火焰图片2 487张以及15段不同场景下的火灾视频数据。在FDD的视频检测实验中本文算法准确率达到了98.94%,证明了本文算法的有效性。     

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.     

基于帧间差分和边缘差分的遗留物检测算法

遗留物检测是智能视频监控系统的核心功能,遗留物一般较小,所处环境复杂,传统的运动目标检测算法直接用于遗留物检测效果一般.提出了一种基于帧间差分与边缘差分的遗留物检测算法,首先进行帧间差分得到运动目标区域,然后将当前帧图像和前一帧的背景图像进行边缘差分运算得到运动目标的边缘,融合二次差分的结果即可得到运动目标的完整轮廓特征,最终通过判断运动目标在场景中的滞留时间是否达到或超过报警系统设置的阈值来标示遗留物,供智能视频监控系统处理.实验结果证明该算法实时性好且识别率较高.     

视频中运动目标检测算法研究及实现

背景建模是视频监控中检测运动目标的一种常用方法。针对固定场景的视频,给出了一种视频运动目标检测算法。利用混合高斯建模的背景差分法,在复杂背景条件下提取出运动目标,在OpenCV库函数的支持下进行编程测试,算法可以准确地检测运动目标。实验结果表明该算法的有效性、优越性和可行性。     

动态阈值的Vibe运动目标检测

Vibe算法是一种高效的像素级背景建模算法,但是它同混合高斯模型一样,不能适应光线突变的问题,在对Vibe算法的基础上提出了一种在静态场景下对光照变化鲁棒的运动目标检测方法。该方法首先利用Vibe模型建立背景样本集,并利用Vibe模型对判别为背景的像素对背景帧进行更新。其次视频当前图像帧与背景帧差分,并采用Otsu算法计算图像的分割阈值来检测运动目标。实验结果表明,改进的方法能够很好地消除由于环境光照变化引起的“曝光”现象,提高了运动目标检测的精确度,并且改进的算法对室内场景下的阴影也有较好的抑制作用。     

基于目标时空上下文融合的视频异常检测算法

视频异常检测旨在发现视频中的异常事件,异常事件的主体多为人、车等目标,每个目标都具有丰富的时空上下文信息,而现有检测方法大多只关注时间上下文,较少考虑代表检测目标和周围目标之间关系的空间上下文。提出一种融合目标时空上下文的视频异常检测算法。采用特征金字塔网络提取视频帧中的目标以减少背景干扰,同时计算相邻两帧的光流图,通过时空双流网络分别对目标的RGB帧和光流图进行编码,得到目标的外观特征和运动特征。在此基础上,利用视频帧中的多个目标构建空间上下文,对目标外观和运动特征重新编码,并通过时空双流网络重构上述特征,以重构误差作为异常分数对外观异常和运动异常进行联合检测。实验结果表明,该算法在UCSD-ped2和Avenue数据集上帧级AUC分别达到98.5%和86.3%,在UCSD-ped2数据集上使用时空双流网络相对于只用时间流和空间流网络分别提升5.1和0.3个百分点,采用空间上下文编码后进一步提升1个百分点,验证了融合方法的有效性。     

融合帧差和Vibe的运动目标检测算法

Vibe算法是一种快速高效的背景建模算法,但该算法在运动目标检测过程中会产生鬼影。本文针对Vibe算法中鬼影消除缓慢的问题,结合多个场景的交通视频提出一种通过连续两帧前景背景像素时域变化来判断鬼影像素点并消除的方法,该方法加快了鬼影的消除速度。同时,对于视频拍摄场景中的背景噪声,采用了对前景图进行开闭操作去除小像素点以及对目标区域的空洞进行填充处理。实验表明,改进的Vibe算法能够加快鬼影的消除,并且与帧差法以及混合高斯建模算法相比,前景检测效果更精确。     

基于增量式特征基背景模型的运动目标检测

背景差法是目标运动检测的主流方法,关键在于背景模型自适应更新.针对传统特征基背景模型批处理方式计算量大、更新速度慢的问题,采用增量式主成分分析来建立特征基背景模型.首先计算样本图像的初始背景图像,然后采用CCFIPCA算法更新特征基背景模型,最后通过输入帧和重建帧的欧氏距离检测前景运动目标.算法以视频帧整体来建立背景模型,克服了混合高斯模型和核密度估计以孤立像素点建模的不足,提高了背景建模的鲁棒性.在SIMULINK下的仿真实验表明,算法能很好地适应高速公路交通场景动态变化,在有光线变化和阴影影响的情况下能完整、准确地提取出运动车辆轮廓.     

基于高斯混合模型的背景建模球员检测算法

在研究体育视频的问题中,针对现有的运动目标检测方法在体育视频中易受场景变化的影响不能准确检测出运动员,提出了基于高斯混合模型的背景建模的检测算法,并应用于足球视频的球员检测.该算法首先通过预处理操作构建较为静态的背景,并将背景模型作为高斯模型的初始化参数;在模型更新中,通过相邻两帧差分处理,区分出图像变化的区域和未发生变化的区域,不同区域以不同更新率加入到背景帧,更快地实现背景重建;最后通过背景差分实现球员检测.实验结果表明,在场景不规则变化的足球视频中构建的背景有较好的自适应性,球员检测效果不错.     

室内单目机器人视觉目标发现与跟随

本文研究了室内单目机器人上的视觉目标人发现与跟随问题,分为场景变化检测,目标人检测,目标人视觉追踪和目标人主动跟随几个部分,主要研究了场景变化检测算法和目标人视觉追踪算法. 高速的场景变化检测算法通过对场景建模来分析该场景是否变化,为目标检测部分提供潜在变化帧和潜在变化区域. 实验结果表明能够提高系统运行速度,减少机器人运行时的卡顿. 视觉目标追踪算法结合表观模型和SLAM过程得到的地图点信息,估计目标区域内属于背景的部分,减少由于遮挡和目标尺度变化对于追踪算法的表观模型的影响,实验结果相比于对比算法取得较大效果提升. 本文尝试使用近年来效果较好的深度神经网络来进行目标检测. 使用小型深度网络并加强对于室内场景下人的学习,在运行速度和检测效果方面取得较好的平衡. 在视觉目标人的发现和跟踪的基础上,我们实现了机器人的跟随. 由于单目视觉仅能够提供目标的方向信息,所以机器人主动跟随的目标是保持目标人在成像平面的水平居中位置. 在目标无遮挡和部分遮挡的情况下,机器人能够成功的跟随人.     

融合时空信息的运动目标检测算法

传统运动目标检测算法在处理诸如树叶晃动、水面波纹等动态场景时效果不理想。为此,针对动态场景下所存在的背景扰动问题,提出一种融合时间和空间信息的运动目标检测算法。该算法通过增量式主成分分析提取空间上图像的背景信息,结合三帧差分法所提取的时域信息进行融合决策以提取运动目标。实验结果表明,该算法能够在动态场景中有效提取运动目标,且检测结果优于混合高斯模型算法。     

基于稠密光流和边缘特征的烟雾检测算法

为了克服传统火灾烟雾检测技术的缺陷,提高视频烟雾检测算法的检测率,通过观察烟雾运动的特性,提出一种基于稠密光流和边缘特征的烟雾检测算法。该算法首先利用混合高斯背景建模和帧差相结合的方法提取运动区域,然后将此运动区域池化为上、中、下三部分,并在每个池化区域提取光流矢量特征和边缘方向直方图。考虑到烟雾运动在时域中的连续相关性,提取相邻三帧的烟雾特征向量以提高算法的鲁棒性。最后使用支持向量机进行训练和烟雾检测。实验结果表明,该算法在测试视频集上准确率超过94%,与现有方法相比,能更好地适应实际应用中复杂的环境条件。     

基于视觉背景提取的自适应运动目标提取算法

在复杂场景下的视频运动目标提取是视频分析技术的首要工作。为了解决前景运动目标提取的精确度不高的问题,提出一种基于视觉背景提取(ViBE)的改进视频运动目标提取算法(ViBE⁺)。首先,在背景模型初始化阶段采用像素的菱形邻域来简化样本信息;其次,在前景运动目标提取阶段引入自适应分割阈值来适应场景的动态变化;最后,在更新阶段提出背景重建和调整更新因子方法来处理光照变化的情形。实验结果表明,对于复杂视频场景LightSwitch的运动目标提取结果在相似度指标上,改进后的算法与混合高斯模型(GMM)算法、码本模型算法以及原始ViBE算法相比,分别提高了1.3倍、1.9倍以及3.8倍。所提算法能够在有效时间内对复杂场景具有较好的自适应性,且性能明显优于对比算法。     

基于公路监控视频的车辆检测和分类

在学习了已有的检测与分类算法以后,设计了一种将改进的高斯混合模型（GMM）与分类网络（GoogLeNet）融合的方案用于车辆的检测和分类.针对高斯混合模型存在模型初始化速度慢和计算复杂的问题,改进了初始化模型的算法提升初始化效率.运用五帧差法做车辆初提取,在提取到的车辆区域上运用高斯混合模型获得车辆图片,把五帧差法和高斯混合模型结合起来减小了建模的区域,提升了检测速度,提高了系统实时性.最后使用GoogLeNet对车辆分类.实验证明相较于现有的车辆检测分类方法,本文所提方法在检测速度和分类准确性上都有很大提升,满足了现实场景下对监控视频的车辆检测和分类的实时性要求.     

结合HED网络和双阈值分割的GMM目标检测算法

GMM在目标检测过程中容易受到灯光、目标颜色与背景颜色相似、目标阴影和拍摄高度等因素的干扰。针对以上问题,本文提出一种结合改进HED网络和OTSU双阈值分割的GMM算法。首先,改进模型针对视频帧的背景、噪声、前景目标进行双阈值分割,合理选取高斯模型个数。其次,利用HED网络对输入图片进行边缘检测,将HED网络检测的边缘结果和双阈值分割的GMM检测结果进行“与”运算,得到最终目标检测结果。通过实验验证,改进算法的检测率更高,目标较小时检测轮廓更加完整,检测效果更好。     

Silence detection for multimedia communication systems

Silence detection and removal is an essential building block of any multimedia video conferencing system. It reduces the bandwidth requirements of the underlying network transport service and helps to maintain an acceptable end-to-end delay for audio. We analyze the requirements for a silence detection algorithm hosted on a multimedia communication system, and propose a novel low-complexity algorithm operating in the non-linear domain. After discussing the constraints which are imposed by the architecture of the system hardware (computer, packet-based network), we show that several recently proposed silence detection algorithms fail to meet all of these constraints. A new approach is then introduced, based on the small- and large-signal behavior of the speech waveform in the -law domain. The new algorithm is compared with a recent design that meets several of our requirements; experimental results indicate that it performs significantly better in the particular environment at hand.     

统计建模与对象更新机制相结合的背景减法

基于混合高斯模型（Gaussian Mixture Models,GMM）或码书模型（Codebook,CB）的传统背景建模算法和改进后的G-KDE算法被广泛地运用于运动目标检测中,但是在光照突变、非静止背景和运动目标短暂停留再运动的场景中不能正确地检测出运动目标。针对以上问题,提出了一种从静止摄像机的视频序列中检测运动目标的背景减算法。通过统计像素的经历作为时间序列,利用核密度估计判断背景像素是否受到运动目标干扰,使用K-均值聚类算法的两个连续阶段来确定可靠的背景区域,通过像素更新适应渐进的光照变化,提出一种基于对象的背景更新机制适应突然的光照变化以及非静止背景、鬼影等干扰。对实际摄取的视频进行了仿真实验,结果表明该算法比其他三种方法检测运动目标鲁棒性更好,准确性更高。     

交通视频序列阴影检测算法研究

针对交通视频序列中的阴影检测问题,在分析目前常用的几种阴影检测算法的基础上,提出了一种基于交通视频流的灰度图阴影检测算法。该算法首先通过建立一个具有鲁棒性和自适应性的背景模型来获取背景,同时对阴影进行初步模糊滤除,然后再通过车体的重构来准确去除阴影。实践表明,该算法准确度高,具有广泛的应用前景。     

基于RPCA与三帧差分融合的运动目标检测

为了实现在监控视频中对人体运动目标的准确提取,针对传统的三帧差分法在运动目标提取过程中容易出现“空洞”现象,提出了一种鲁棒主成分分析(Robust Principal Component Analysis,RPCA)与三帧差分相融合的运动目标检测算法。本算法通过将RPCA提取的视频当前帧的背景作为三帧差分法的中间帧与视频当前帧的前一帧和视频当前帧分别进行邻间差分,使得三帧差分法在运动目标检测过程中避免了背景像素点所带来的影响,消除了“空洞”现象。仿真结果表明该算法在完整性和准确性方面要优于其他三种传统运动目标检测算法,可以在复杂背景环境中实现准确的运动目标提取。     

基于边缘帧差和高斯混合模型的行人目标检测*

针对高斯混合模型存在背景更新收敛性差,易受环境噪声和光照突变影响,易产生虚假目标等问题,提出一种基于高斯混合模型的改进算法,用于视频中行人目标检测。通过将帧差法引入高斯混合模型,快速区分背景区域和运动目标区域,从而提取前景中完整的行人目标。结合视频帧边缘和边缘帧差信息,采用多种模型更新率,提高高斯混合模型对复杂背景的自适应性和快速收敛性,从而消除环境噪声和光照突变的影响,避免检测出虚假目标。实验结果表明,相比较传统高斯混合模型,该方法可以有效去除噪声和光照的干扰,收敛性更佳,行人检测效果更鲁棒。