融合线性特征的局部纹理运动车辆阴影检测

提出了一种融合线性特征的局部纹理运动车辆阴影检测方法。首先基于连续帧视频图像信息建立初始背景模型;通过背景差法获取包含阴影的运动目标区域,同时依据该运动区域信息实时更新背景;结合亮度信息,利用改进局部二值模式的纹理算子描述运动区域纹理,并根据海明距离进行粗分类,快速检测出运动区域中的阴影覆盖区;进一步对阴影覆盖区域进行纹理信息的线性特性判断,排除车辆自阴影区域,获取背景阴影,得到真实车辆目标。实验结果表明,该方法提高了阴影和车辆自阴影的检测准确度,且速度快,可满足实时性要求。     

融合纹理特征和阴影属性的阴影检测方法

为了解决智能视频监控中阴影对目标检测、跟踪和识别的影响,提出了一种融合纹理和阴影属性的阴影检测去除算法。分析了像素点在阴影覆盖前后它的纹理变化规律,改进了LBP算子对噪声敏感的缺点,根据像素点基于改进LBP算子的纹理值在当前帧和背景帧的差异检测出候选阴影区域。根据光照模型分析得到阴影点具有相同的亮度比值,根据阴影的亮度比值统计数据排除非阴影点,并在亮度比值空间做区域生长得到完整的阴影区域。实验结果表明,该方法能够快速、准确地检测出重阴影和浅阴影。     

交通视频监控系统中车辆阴影的去除方法

针对智能交通系统(ITS)中车辆阴影带来的车辆误提取造成系统可靠性差,且检测算法无法满足实时性的问题,提出一种改进的基于HSV色彩模型与背景差分法的车辆阴影检测与去除方法.通过分析HSV色彩模型,改善亮度分量的参数选取,利用阴影与车辆和背景的亮度差检测目标车辆的阴影;结合背景差分法去除阴影.实验结果表明,该方法可以较准...     

融合颜色和CS-LBP纹理的运动阴影检测

针对现存阴影检测方法存在的实时性和精确性兼顾不周的问题, 提出加权融合颜色和纹理特征的阴影检测方法: 首先利用HSV颜色信息提取疑似阴影点; 其次, 通过阴影的亮度比计算阴影亮度隶属度, 对于高亮度隶属度的疑似阴影点, 直接判定为阴影点, 减少了纹理检测的计算量; 然后对低亮度隶属度的疑似阴影点提取高效的CS-LBP纹理, 并进行纹理匹配, 根据纹理的相似程度及阴影空间分布特点, 计算出纹理隶属度; 最后, 根据实际中纹理随亮度变化的特点, 提出了依据亮度比自适应调整纹理隶属度权重的特征融合方法, 进行有效的阴影检测. 实验表明, 本文方法实时性良好, 可去除自阴影, 分割精度较佳, 隶属度方法的使用, 使本方法对光照变化及噪声更具有鲁棒性.     

基于局部纹理不变性的运动阴影去除算法

视频序列运动目标检测过程中,运动目标往往会连同其投射阴影一起被检测为前景,这不利于对运动目标的进一步分类、识别等高层次视觉处理。为了提高运动目标检测的准确性,提出利用局部纹理不变性去除运动目标阴影。首先根据阴影的亮度色度属性分割出疑似阴影区域,然后在疑似阴影区域采用增强的局部纹理描述算子(ILT)提取纹理特征,利用背景在阴影覆盖前后的纹理相似性来去除阴影,最后结合阴影的空间几何属性优化运动目标检测结果。实验结果表明该算法可以有效去除阴影,并且具有较好的实时性。     

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。     

结合区域颜色和纹理的运动阴影检测方法

在视频跟踪中,由于运动阴影和运动对象具有相似的物理特性,现有方法很难区分运动对象和运动阴影.为解决这一问题,本文利用区域间的颜色和像素亮度的关系进行运动阴影的检测,有效克服了以像素为最小检测单位时检测结构容易受到噪声影响的不足;在通过分析运动阴影的物理模型证明局部二值模式(LBP)纹理的光照不变性之后,利用局部二值模式...     

基于改进型LBP特征的运动阴影去除算法

在局部二值模式（LBP）基础上,运用一种改进的局部三值模式（LTP）纹理特征提取方法。并把这种提取方法运用到运动阴影去除中。该方法首先利用自适应高斯混合模型进行背景建模,得到背景和含有阴影的前景目标;并用亮度属性得到疑似阴影分块,然后再把疑似阴影区域和已获取背景相应位置的LTP纹理相似性进行判断;最后得到准确的阴影区域并实现阴影去除。实验结果表明,该算法能够很好地抑制分割噪声,准确地去除出运动阴影,具有较好的实验效果。     

基于纹理的运动目标检测

提出一种基于纹理的背景建模方法,进行视频序列中运动目标的检测。其纹理的表征采用局部二元图（Local Binary Patterns,LBP）统一模式直方图,由于LBP纹理基本不受阴影的影响,使得灰度图像中阴影区域和背景相应位置的纹理表征具有一定的相似性,因此背景建模和相应的运动物体检测受运动阴影影响很小,能够在阴影条件下较精准地检测出运动物体。实验结果证明了该结论。     

基于多特征融合的前方车辆检测方法研究*

为了有效地避免交通事故的发生,提高车辆检测的准确率和效率,提出一种基于车辆阴影、边缘、纹理和对称性等多种特征融合的前方车辆检测方法。利用多阈值分割得到车辆阴影,选取边缘确定出车辆可能存在的感兴趣区域,通过计算感兴趣区域内的分形盒子维数进一步确定车辆的候选区域,利用对称性测度验证定位车辆。实验结果表明,该方法能够实现不同环境下的车辆检测,相比较单个特征的检测方法具有较高的准确率和可靠性。     

一种基于局部二值模式的阴影消除方法

运动目标检测和阴影消除是自动化视频分析系统的基础。本文根据视频背景与运动目标纹理的差异性以及背景与阴影纹理的相似性,提出一种利用局部二值模式作为图像纹理特征描述子,检测运动目标并消除阴影的方法。实验表明本文方法能在较好地抑制阴影同时,检测出完整运动目标。     

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。     

运动人体阴影检测算法

为了抑制运动人体检测与跟踪中运动人体阴影的影响,提出了一种基于光照模型和图像纹理特征的阴影检测算法.首先依据光照模型理论,将互相关函数引入算法,并根据背景图像和当前图像对应像素点的互相关函数值判断其是否为阴影点.在此基础上,依据图像的纹理特征,将交叉熵函数引入算法,对互相关函数判断为非阴影点的像素,进行二次判断.该算法利用泰勒级数将交叉熵函数中的对数和除法运算转化为乘法运算,简化了运算过程.通过白天和晚上两种条件下的实验,验证了算法的准确性和有效性.     

基于色度畸变和纹理特征的阴影消除方法

从图像序列中精确地提取运动目标是许多计算机视觉应用中的核心部分,但由于运动目标阴影的存在,会导致目标形状的扭曲、目标的相互连接等问题,对分割和提取运动目标造成很大的困难.为了精确地提取运动目标,提出一种利用色度畸变和纹理特征进行阴影消除的方法.采用混合高斯分布建立自适应背景模型,运用背景减除的方法分割出运动区域,并分析了场景点在存在阴影前后色度的分布规律以及纹理的互相关性,从而消除运动目标的阴影.分析和实验表明,该算法抗干扰能力强,对于室内和室外光照条件下的阴影都能有效地消除,并且所需设置的参数少,复杂度较低,易于实现实时运动图像处理.     

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。     

基于N-LBP纹理与色度信息的Camshift跟踪算法

基于颜色特征的运动目标跟踪算法容易受到光照非均匀变化或阴影的影响,如何利用多种特征联合构造目标模型以提升跟踪性能是一个关键问题.提出了一种新的特征融合运动目标跟踪算法,该算法基于局部二值模式(Local Binary Pattern,LBP)纹理特征,引入光照自适应的局部标准差构造二值模式门槛值,采用统一模式下的N-LBP纹理描述子构造特征直方图,并结合色度信息建立联合直方图,在Camshift算法框架内进行目标跟踪.实验证明,与传统Camshift算法相比,该算法在保证跟踪算法实时性能的同时,可以更好地克服阴影遮挡等导致的非均匀光照变化带来的影响,具有良好的跟踪效果.     

一种自适应的运动目标阴影消除新算法

精确地消除活动阴影对运动目标的影响是智能视频监控的核心任务之一,对此提出了一种基于局部纹理分析的自适应阴影消除新算法。进行了基于高斯混合模型的背景重建,并根据阴影的光学特性进行了阴影区域的预检测,得到疑似阴影区域;提出了一种新的自适应动态纹理分析方法并在此基础上实现了活动阴影的检测与消除。实验结果验证了算法的有效性和实用性。     

一种基于Boosting判别模型的运动阴影检测方法

在视频处理中,由于运动阴影具有与运动前景相同的特性,当在提取前景时,会误把阴影检测为前景.特别是当阴影和其它前景发生粘连时,这可能会严重地影响跟踪、识别等后续处理.该文提出了一种用于运动阴影检测的Boosting判别模型.这种方法先利用Boosting在不同的特征空间来区分前景和阴影,然后在判别随机场(DRFs)中结合前景和阴影的时空一致性,实现对前景和阴影的分割.首先,差分前图像与背景图像得到颜色不变子空间和纹理不变子空间;然后在这两个子空间上应用Boosting来区分前景和阴影;最后利用前景和阴影的时空一致性,在判别随机场中通过图分割的方法准确地分割前景和阴影.实验结果表明,无论是在室内场景,还是在室外场景,该文的方法要好于传统的方法.