基于背景自适应更新的车辆阴影检测算法

对基于视频的交通流量参数检测及交通路口控制方法而言,车辆检测是很关键的一步,但是由于车辆阴影的客观存在,经常会造成汽车数量的误检。本文在背景自适应更新的基础上,对阴影建立了模型并对检测算法进行了改进,以提高车辆检测精度。     

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。     

车辆视频检测及阴影去除

针对智能交通系统的车辆检测问题,提出了一种运动车辆检测及阴影去除的方法。采用基于背景差与帧间差的方法来检测运动视频中的车辆,对背景差和帧间差检测出的车辆进行或运算得到运动目标。再对检测出的运动目标进行形态学处理,并结合色彩及阴影统计信息建立阴影模型,去除阴影。实验结果表明,该方法能够快速、准确地在动态视频中分割出运动车辆和阴影。     

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...     

实时部分遮挡车辆分割及阴影消除

遮挡和阴影问题是智能交通视频监控系统的重要难题.提出一种实时部分遮挡车辆分割及阴影消除方法,该方法针对不同车辆阴影类型获取反映车辆阴影几何形态特征且仅包含稀少像素的阴影线,利用阴影线梯度信息实现阴影消除,并采用几何形态特征分割部分遮挡车辆.实验结果证明,该方法不仅具有较高准确性,而且能满足实时性.     

基于移动区域的快速车辆检测

提出一种快速的移动车辆目标识别新方法。该方法由移动区域检测、阴影检测和边缘检测三部分组成。首先,采用自适应背景更新的方法在图像中快速检测出移动区域;然后,以此为基础建立阴影的粗模型,阴影检测时只对该区域内的图像采用基于HSV颜色空间的方法进行分析处理;最后,对移动区域和阴影区域进行边缘检测,从移动区域中去除阴影区域,从而准确区分真实车辆和阴影。实验表明,该方法有效地提高了车辆检测效率,能满足实时性要求。     

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。     

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。     

基于移动区域的快速粗模型阴影检测

阴影检测是运动车辆目标识别与追踪中非常重要的环节.结合基于颜色和模型的两种检测方法,提出一种基于移动区域的快速粗模型阴影检测方法.该方法首先通过改进的背景差分方法快速获取图像中的移动区域,然后在此基础上根据基于模型的方法建立阴影的粗模型,即快速确定阴影区域的粗略区域.阴影检测时只对该区域内的图像采用基于HSV颜色空间的方法进行分析处理.实验结果表明该方法可以有效地提高阴影检测的效率.     

双背景模型自适应运动目标检测算法在交通监控系统中的应用研究

针对现有运动目标检测算法不能满足复杂场景需求,提出一种基于高斯混合模型和时间平均模型改进的双背景模型自适应运动目标检测算法。对视频图像背景进行简单背景和复杂背景自适应判别,并建立相应的背景模型。双背景模型获取的运动目标区域信息更完整、清晰。实验表明,与传统检测算法相比,新算法在去除区域孔洞、目标区域完整性具有较好性能和优越性。     

路况视频中HSV彩色不变量阴影检测法研究与改进

为解决视频检测中车辆阴影的影响,研究了常用的基于HSV彩色不变量的阴影检测方法,指出对于路面区域,阴影覆盖前后色调H分量和饱和度S分量近似不变的特性不总是成立,并以实例证明色调变换的奇异性也将导致该方法受限,继而提出了一种改进算法,利用两个色彩分量的变化量之比近似不变的特性进行阴影检测,其更适合路面环境.实验结果证明,所提出的改进算法能够较好地分离车身及其阴影,有助于准确提取交通信息.     

基于零树小波的交通视频车辆运动阴影滤除方法

基于高斯模型的背景建模方法与简单的背景差分方法很难准确区分运动车辆与阴影.基于此种原因,文中提出基于零树小波的交通视频车辆运动阴影滤除方法.首先将含有噪声的运动前景图像转换至HSV颜色空间.然后对 S通道和V 通道进行多级下采样小波变换,通过构造运动前景的零树小波掩模,关联不同尺度子带间的系数,使各精细尺度子带掩模的值能得到父子带系数的指导和校正,提高子带自适应阈值的准确性.进一步通过结合阴影的颜色特征,提高判断区域车辆与阴影的区分度.最后通过大量仿真实验验证文中方法的有效性.     

一种改进的自适应肤色检测算法

针对Hsu R L的肤色检测方法的不足,提出了一种改进的自适应肤色检测算法。用白平衡算法取代了Hsu R L的光线补偿方法,从而较好地解决了由光照引起的图像彩色偏移,使得检测结果更加稳健。在Hsu R L的统计模型的基础上,提出了一种自适应检测算法,该算法根据肤色值在非线性变换后的色度空间的二维直方图分布,自动确定肤色模型的位置,从而能更加准确地描述肤色在一幅图像中的分布情况。并将该算法用于彩色视频图像中的人脸检测,实验结果表明,该算法比Hsu R L的方法更能取得满意的检测效果。     

智能交通系统中的阴影检测技术

阴影检测技术是智能交通系统中的关键技术。本文主要介绍两类基本的传统阴影检测技术：基于阴影颜色特征和基于三维建模的阴影检测技术,进而推出一种将以上两种基本算法进行有机结合的算法。实验结果证明,结合后的算法能有效地提高阴影检测的效率和准确度。     

面向视觉监视实时跟踪的动态背景更新方法

实时跟踪是视觉监视系统的核心技术之一,背景更新方法是实时跟踪技术成功与否的关键所在。该文在介绍了各种现有方法的基础上,提出了一种新的动态背景更新方法,实验表明这是一种对光线变化鲁棒性高、速度快、跟踪效果好的实用方法。     

一种联合图像分割与背景建模的运动目标检测算法

介绍了在混合高斯模型的基础上,采用每一个像素点及其邻域组成的集合作为特征矢量来描述图像,对YUV格式的彩色图像的不同颜色分量分别建立混合高斯模型,从而确定是否有变化发生.为充分利用空间信息,提出将彩色图像分割与背景建模结合起来,得到具有精确边缘的运动目标.实验结果表明,即使在前景纹理、颜色比较一致且与背景对比不是很明显的情况下,本方法也能完整地检测出运动前景.     

一种适应户外光照变化的背景建模及目标检测方法

针对户外视频监控存在光照变化这一问题, 提出一个用于准确完成目标检测的实时背景建模框架. 考虑到目标检测的准确性要求, 建立基于帧间像素亮度差统计直方图的像素亮度扰动阈值. 在此基础上, 针对背景建模的实时性要求, 提出一种基于自回归背景模型的参数快速更新方法. 鉴于不同光照变化的适应性要求, 定义对光照变化不敏感的背景纹理模型. 上述模型统称为自回归--纹理 (Auto regression and texture, ART) 模型, 该模型适应于户外光照变化. 基于该模型构建像素亮度和纹理置信区间用于目标检测. 实验结果表明, 该框架能适应和实时跟踪户外背景的光照变化, 并对目标进行准确检测.     

复杂背景彩色图像中多角度人脸检测

提出一种针对复杂背景彩色图像中的人脸检测方法。基于Gray World假设,在RGB颜色空间采用颜色平衡的方法对偏色图像进行颜色校正,在YES颜色空间进行肤色检测并应用预处理技术缩小人脸检测的搜索区域。在物体区域方向计算的基础上,提出能够检测任意旋转角度人脸的方法,在人脸候选区域采用模板脸匹配方法定位人脸。实验表明,该方法对不同光照环境、不同尺寸、任意旋转的人脸有较好的检测效果。