共查询到20条相似文献,搜索用时 156 毫秒
1.
一种移动机器人对运动目标的检测跟踪方法 总被引:2,自引:1,他引:1
从序列图像中有效地自动提取运动目标区域和跟踪运动目标是自主机器人运动控制的研究热点之一.给出了连续图像帧差分和二次帧差分改进的图像HIS差分模型,采用自适应运动目标区域检测、自适应阴影部分分割和噪声消除算法,对无背景图像条件下自动提取运动目标区域.定义了一些运动目标的特征分析和计算,通过特征匹配识别所需跟踪目标的区域.采用Kalman预报器对运动目标状态的一步预测估计和两步增量式跟踪算法,能快速平滑地实现移动机器人对运动目标的跟踪驱动控制.实验结果表明该方法有效. 相似文献
2.
针对运动目标检测中的空洞和虚假目标的问题, 提出一种改进差分和改进光流的运动目标检测方法. 该方法首先对连续的七帧图像依次进行预处理、差分、灰度变换和二值化处理, 并将前、后三帧二值图像分别累加得到的二值图像进行逻辑与运算, 得到中间帧中运动目标的粗略区域; 其次将中间帧与背景帧差分, 并对得到的图像进行边缘提取和二值化处理, 然后对其进行像素的算术运算, 得到中间帧中运动目标的精确区域; 在基础上通过改进的光流法得到运动目标的准确信息; 最后通过阈值分割和形态学处理完成对目标的分割. 对比实验表明, 该方法能实现运动目标的准确快速检测与分割. 相似文献
3.
针对视频检测对实时性和准确性的要求,提出了将帧间差分与码书模型相融合的运动目标检测算法.首先,选取某个t时间内采集到的视频图像作为训练图像,对图像的每一个像素点建立码书模型.把码书模型中表示前景的码书去除,余下的作为背景模型用于检测.检测运动目标时,先将待检测的相邻帧图像进行帧间差分,得到变化区域和没有变化的区域,将有变化的区域与背景模型进行拟合,区分出前一帧运动区域和目标运动区域.更新背景模型时以不同的更新方法对前一帧运动区域和目标运动区域进行更新. 相似文献
4.
5.
6.
微型航天目标探测器主要是对空间目标探测识别,然而在微型航天探测器在空间对目标物成像时目标物、背景和探测器之间存在相对运动,目前还没有好的运动背景中运动目标识别的算法.因此,针对微型航天探测器在星空背景下对目标物识别的要求,提出了把图像配准与双差分法相结合目标识别的算法.该算法对连续采集的三帧图像中的前两帧和后两帧分别进行配准,差分,二值化,然后将两副二值化图像逻辑乘,识别出目标.计算机仿真的结果表明该算法计算量比较小,对目标的识别效果好.因而,基于图像配准的双差分法是一个相对较好适用于微型航天探测器对空间目标探测识别的算法. 相似文献
7.
8.
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. 相似文献
9.
10.
基于累积绝对差图像与交叉熵分割的运动目标检测与定位 总被引:1,自引:0,他引:1
提出了一种新的运动目标检测与定位方法。针对位移变化较小的运动目标,先对运动序列中所有相邻两帧图像作绝对值差分运算,然后再将绝对值差分结果进行累加,从而得到累积绝对差图像。利用交叉熵分割法对累积绝对差图像二值化,并结合形态学方法去除噪声,求取出目标的运动区域。对运动序列的首帧和尾帧进行差分运算并二值化.为了去噪,将首尾帧差图像与累积绝对差图像进行逻辑与运算,确定出目标在首尾图像中的位置。实验结果表明了本方法的有效性和鲁棒性。 相似文献
11.
12.
针对运动物体对图像拼接易造成配准误差和合成鬼影的问题,提出一种多尺度PHOG特征和最优缝合线的运动场景图像拼接算法。首先,在多尺度空间角点检测的基础上,引入分层梯度方向直方图(PHOG)描述方法,生成多尺度PHOG特征,进行稳定配准,避免运动物体的局部影响。然后,通过构建能量函数,采用图割算法搜索几何、灰度差异最小的缝合线,去除运动鬼影。实验结果表明,该方法对存在运动物体的场景拼接具有较高的拼接精度,拼接效果良好。 相似文献
13.
14.
15.
基于语义分割的图像掩膜方法常用来解决静态场景三维重建任务中运动物体的干扰问题,然而利用掩膜成功剔除运动物体的同时会产生少量无效特征点.针对此问题,提出一种在特征点维度的运动目标剔除方法,利用卷积神经网络获取运动目标信息,并构建特征点过滤模块,使用运动目标信息过滤更新特征点列表,实现运动目标的完全剔除.通过采用地面图像和航拍图像两种数据集以及DeepLabV3、YOLOv4两种图像处理算法对所提方法进行验证,结果表明特征点维度的三维重建运动目标剔除方法可以完全剔除运动目标,不产生额外的无效特征点,且相较于图像掩膜方法平均缩短13.36%的点云生成时间,减小9.93%的重投影误差. 相似文献
16.
基于SIFT特征匹配和动态更新背景模型的运动目标检测算法 总被引:1,自引:0,他引:1
王亮芬 《计算机应用与软件》2010,27(2):267-270
运动摄像机情况下的运动目标检测是视频监控中的难点和热点问题。为了能够有效地检测出运动目标,提出了一个基于SIFT(Scale Invariant Feature Transform)特征匹配和动态背景建模的背景差算法。首先利用SIFT算法提取特征点,采用RANSAC(Random Sample Consensus)方法求得仿射变换模型参数并实现图像的全局运动补偿,然后用背景差方法实现运动目标的检测,同时进行阴影和鬼影的去除。SIFT特征点匹配的准确性和RANSAC方法去除异常点的有效性使得仿射变换模型参数计算准确,动态更新背景模型的背景差则完整地检测出了前景目标。与Ninad Thakoor实验结果对比说明:该算法能够准确地检测出运动目标,并且保持了前景目标的完整性。 相似文献
17.
背景提取是摄像头静止的运动图像处理的基础技术之一。针对一般背景提取算法运算复杂、实时性差等缺点,提出一种新的基于帧间差分与选择性统计相结合的背景提取算法。通过帧间差分和统计,对图像进行分块选取,削弱运动物体和噪声对于像素分布的影响。实验表明,该算法所取得的背景效果良好,并可快速有效地对背景进行提取和更新。 相似文献
18.
19.
Konrad Schindler David Suter Hanzi Wang 《International Journal of Computer Vision》2008,79(2):159-177
Given an image sequence of a scene consisting of multiple rigidly moving objects, multi-body structure-and-motion (MSaM) is
the task to segment the image feature tracks into the different rigid objects and compute the multiple-view geometry of each
object. We present a framework for multibody structure-and-motion based on model selection. In a recover-and-select procedure,
a redundant set of hypothetical scene motions is generated. Each subset of this pool of motion candidates is regarded as a
possible explanation of the image feature tracks, and the most likely explanation is selected with model selection. The framework
is generic and can be used with any parametric camera model, or with a combination of different models. It can deal with sets
of correspondences, which change over time, and it is robust to realistic amounts of outliers. The framework is demonstrated
for different camera and scene models.
Most of the presented research was carried out while all three authors were at Monash University. 相似文献
20.
Pless R. Brodsky T. Aloimonos Y. 《IEEE transactions on pattern analysis and machine intelligence》2000,22(8):768-773
We consider a problem central in aerial visual surveillance applications; detection and tracking of small, independently moving objects in long and noisy video sequences. We directly use spatiotemporal image intensity gradient measurements to compute an exact model of background motion. This allows the creation of accurate mosaics over many frames, and the definition of a constraint violation function which acts as an indicator of independent motion. A novel temporal integration method maintains confidence measures over long subsequences without computing the optic flow, requiring object models, or using a Kalman filter. The mosaic acts as a stable feature frame, allowing precise localization of the independently moving objects. We present a statistical analysis of the effects of image noise on the constraint violation measure and find a good match between the predicted probability distribution function and the measured sample frequencies in a test sequence 相似文献