基于主动轮廓模型的交通场景运动目标提取算法

在交通监控中,从复杂的交通场景中精确地分割出运动目标是至关重要的。目前,经典的运动目标检测算法有背景差法和帧差法。当场景中存在阴影时,这两种方法都不能够精确地提取运动目标。提出了一种基于主动轮廓模型的运动目标提取算法。通过阴影检测,从运动目标中获得消除阴影的初始轮廓,然后通过主动轮廓模型逼近运动目标真实轮廓。实验表明,该算法既可以消除阴影和噪声的影响,又可以保持运动目标完整。     

基于正交高斯赫密特矩的车辆检测算法

针对交通场景下多部车辆的情况,提出了一种基于正交高斯赫密特矩的车辆检测算法.该方法利用正交高斯赫密特矩完成运动车辆检测,并结合车辆检测结果进行边缘检测,采用Ostu自动选取分割阈值,获得细化目标边缘图.实验结果表明,该方法能够从复杂的交通场景下有效检测出运动车辆并进行跟踪,且算法实时性好.     

联合纹理和二维阈值分割的减背景方法

为了有效地检测出交通场景中的运动车辆,在背景建模阶段,提出在多个子时间组里建立多个自适应的纹理直方图作为像素的背景描述模型,能更好地适应环境变化。为了充分地描述纹理信息,扩展了LBP(local binary pattern)算子;为了更好地实现减背景方法,采用的二维Otsu阈值分割方法能有效消除噪声的影响;为了解决背景更新滞后的问题,使用帧间差分能更准确地提取出运动车辆。在不同交通场景下的实验比较结果表明了该算法的有效性。     

基于概率算法自适应更新背景的运动车辆检测

交通流量检测是智能交通系统中的一个重要研究方向和热点问题,基于视频的车辆检测是交通流量采集分析的核心技术,它为交通流量参数的实时获取提供了可能。为实现在复杂交通视频场景中实时准确检测各类的运动车辆,在研究传统背景差分算法的缺点的工作基础上,提出一个自适应的贝叶斯概率背景检测算法,进而完成了较准确的运动车辆分类检测。实验结果表明该方法具有高效实时的特点,能够较准确地实现复杂交通路面的背景提取和运动车辆的检测,具有良好的鲁棒性。     

交通场景中车辆的运动检测与阴影消除

提出一种算法框架实现对交通场景中运动车辆的分割。首先,提出一种基于颜色空间的浮动气球模型,用以解决监控场景的自适应背景建模问题,该方法解决了基于参数模型的背景建模方法无法检测驻留物体的问题,并可有效适应监控场景中的光照变化以实现自适应更新;其次,针对通过背景建模和背景差分得到的运动前景区域包含运动车辆阴影问题,提出一种新的阴影检测算法,该算法采用多特征融合的方法实现了对运动车辆的分割。实验结果分析表明,与其他方法相比,该算法框架在背景建模和阴影检测方法具有较好的效果。     

基于改进动态阈值的运动车辆实时快速检测方法*

提出了复杂交通环境下一种新的运动车辆检测方法。基于背景差分获得运动图像,利用自适应阈值选取方法分别对差分图像的三个颜色通道进行二值化,从而实现运动目标的精确检测。根据检测结果,采用中值更新方法实现背景图像的实时更新。实验结果表明,这种基于改进动态阈值和自适应背景相结合的快速检测算法可以从复杂交通场景图像序列中快速有效地检测出运动目标,能够很好地满足智能交通监控系统中运动车辆实时检测的要求。     

基于垂直投影和虚拟检测带的车辆检测

由于交通视频场景复杂,传统的帧差法在进行车辆检测时误差较大。为此本文在传统帧差法德基础上提出一种基于垂直投影和虚拟检测带的车辆检测法并提取该交通视频关键帧。首先采用帧差法提取运动目标,然后通过运动目标的垂直投影值与阈值的比较结果来判断是否该运动目标为车辆,最后根据判断结果来进行交通视频关键帧的提取。实验结果表明,该方法有较好的鲁棒性,能够有效的检测车辆并提取含有车辆的视频帧。     

基于改进Sigma-Delta滤波的复杂场景背景估计

背景估计是运动目标检测一项重要的前期工作,在城市交通等复杂场景中,存在大量慢速或暂停运动目标,背景模型很快受到污染,需要进行较多的后续处理或者采用高复杂度算法来检测前景。针对该问题,提出基于Sigma-Delta滤波改进的背景估计算法,融合可选择性背景更新机制和多频Sigma-Delta滤波背景估计方法,处理复杂场景中不同运动目标的运动特征,以获取稳定的背景。通过对典型城市路段和交叉口复杂交通场景序列进行对比实验,结果表明,该算法在保持Sigma-Delta滤波低内存消耗和高计算效率的基础上可获得更好的检测效果。     

一种交通场景下运动目标检测的新算法

本文提出了一种新的结合背景提取和对称差分的运动目标检测算法,可应用于交通场景下的运动目标分割。仿真结果表明该算法鲁棒且有效,可以提高运动目标检测的准确性,并有较好的实时性。     

基于图像处理的夜视车辆检测

根据环境照度将夜间交通场景区分为充足照明和低照度两种情况,分别设计相应的处理流程检测运动车辆。针对充足照明的情况,先使用梯度滤波消除路面反光的干扰,再进行帧间差分检测运动区域,最后使用级联形态学滤波消除噪声点和填充帧间差分方法导致的车体区域空洞。针对低照度情况,引入先验知识检测车前灯,并利用车灯间距判别车型大小,最后结合车辆的造型知识定位车体。对多段典型的夜间交通场景视频进行了测试,实验结果表明,该方法能够有效地检测夜间行驶车辆。     

基于移动率的T-S模糊模型的结构辨识方法

为了提高现行模糊辨识方法的有效性,提出了基于移动率的T-S模糊模型的结构辫识方法。主要工作如下: 首先,定义I=S模糊模型的S型、Z型和梯形隶属函数的移动率,将此移动率与现行的隶属度相比较可以看出,提出的 方法比较有效;然后,定义基于移动率的T-S模糊推理方法,并且提出基于移动率的前提和结论部分的子S模型的辫 识方法;最后,将提出的识别方法应用于降水量和安全形势的预测模糊建模。测试结果表明,与现行方法和模糊神经 网络算法相比,该方法明显提高了模糊辨识的有效性,减少了规则数目,并降低了辫识误差。     

特征点维度的静态场景三维重建运动目标剔除

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.     

动态背景的序列图像中运动小目标检测算法

提出了一种动态背景下红外运动小目标的检测算法。该算法在连续四帧图像配准的基础上,对配准之后的图像序列进行沿时间轴的一维小波变换,实现目标和背景的分离。然后对主要包含运动目标信息的图像按像素相乘的方法得到目标增强图像,对其分割后提取运动小目标。实验结果表明,该方法能够有效的对红外慢速和快速运动的小目标进行检测。     

基于SIFT特征匹配与K-均值聚类的运动目标检测

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,根据视频中背景与运动目标的速度不同这一特点,提出了一个基于尺寸不变特征变换(SIFT)和K-均值聚类的运动目标检测方法。首先提取视频中相邻两帧图像的SIFT特征点并进行匹配,并计算匹配特征点的运动速度,最后将运动目标和背景上的SIFT特征点K-均值聚类分析,在单运动目标、多运动目标和带有摄像头旋转情况下做了实验。实验结果表明,提出的目标检测算法能够在运动背景下较好地检测到目标并保留稳定的目标局部特征,对于摄像机运动、摄像机旋转、亮度变化等影响因素具有较强的适应能力。     

点线光流预测机制的图像序列运动直线跟踪

目的 针对复杂场景图像序列中运动直线特征的提取、跟踪问题,提出一种基于点、线光流预测机制的图像序列运动直线跟踪方法。方法 首先根据图像直线的表达式定义点、线光流基本约束方程,由基本约束方程推导出关于点光流与直线光流对应关系的3个重要推论。然后依据点、线光流对应关系,利用图像序列中直线特征上的像素点光流计算直线光流的估计值并根据直线光流阈值筛选图像序列运动直线。最后由筛选出的运动直线及直线光流估计值计算直线的预测坐标并在Hough域内进行跟踪匹配,得到图像序列运动直线跟踪结果。结果 通过合成及真实图像序列实验验证,本文方法能够准确地筛选出图像序列中感兴趣的运动直线,并对运动直线进行稳定地跟踪、匹配,直线跟踪结果未产生干扰直线的误匹配,直线跟踪时间消耗不超过12 s。结论 相对于传统的直线跟踪、匹配方法,本文方法具有较高地直线跟踪精度和较好的鲁棒性,更适用于复杂场景下的运动直线跟踪、匹配问题。     

基于视频的快速运动检测方法及其应用研究

介绍了一种以视频图像为检测源的快速运动检测方法并给出了该方法在闯红灯监控系统中的应用实例。与传统的运动检测方法相比,该方法采用视频处理技术;通过先进的运动检测算法快速识别运动物体,并能判断出运动物体的运动方向。该方法在闯红灯监控系统中的应用结果表明该方法的快速性和可行性。     

多信息动态融合的运动目标检测方法

针对基于视觉显著性的运动目标检测算法存在时空信息简单融合及忽略运动信息的问题,提出一种动态融合视觉显著性信息和运动信息的运动目标检测方法。该方法首先计算每个像素的局部显著度和全局显著度,并通过贝叶斯准则生成空间显著图;然后,利用结构随机森林算法预测运动边界,生成运动边界图;其次,根据空间显著图和运动边界图属性的变化,动态确定最佳融合权值;最后,根据动态融合权值计算并标记运动目标。该方法既发挥了显著性算法和运动边界算法的优势,又克服了各自的不足,与传统背景差分法和三帧差分法相比,检出率和误检率的最大优化幅度超过40%。实验结果表明,该方法能够准确、完整地检测出运动目标,提升了对场景的适应性。     

自适应背景筛选的运动对象检测算法

针对传统帧差法和背景差分法对运动对象检测不准确等不足,提出了一种自适应背景筛选的运动对象检测算法。该算法在采用帧差法构建的背景中标注出原图存在运动对象的区域,筛选当前运动对象区域未被标注且距当前时刻最近的背景与当前帧进行差分,从而提取前景运动目标。与帧差背景结合方法相比,该方法能更好解决因运动对象静止后融入背景建模而导致的检测对象不准确问题,且算法简单,易于实现,满足实时监控要求。实验结果验证了该算法的有效性。     

基于改进光流特征的运动目标跟踪

在城市智能视频监控中需要对运动目标进行实时跟踪,针对传统的运动目标检测中出现的跟踪目标易丢失、跟踪率低、实时性差等问题,提出一种基于改进光流特征的运动目标跟踪检测方法,对运动行人目标进行跟踪。该方法首先采用改进的Vibe运动背景建模法对视频中存在的运动行人进行检测,再将Shi-Tomasi角点检测与LK光流法进行结合,将角点检测结果融入到LK光流法中,并对检测到的角点进行运动光流特征提取,最后通过卡尔曼滤波对出现的行人进行预测跟踪,采用匈牙利最优匹配算法实现对运动目标的持续匹配以及对运动目标的跟踪。仿真结果表明,本文提出的方法能够对视频中出现的运动目标进行检测跟踪,具有较好的识别效果,且检测效率得到提高。      

基于粒子滤波和背景减除的多目标检测与跟踪算法

大多数应用于视频监控领域的目标跟踪模式识别方法,都需要先对移动目标进行模式学习。但是,这些方法不适合同时跟踪多个不同的目标,因为每一个移动目标的模式都应该是预先确定好的。因此,提出了一种新的基于粒子滤波和背景减除的无监督多运动目标检测与跟踪方法来解决这个问题。该方法能够自动探测和跟踪许多移动目标,没有任何学习阶段,也没有任何关于大小、性质或初始位置的先验知识。对多个视频测试集进行了实验验证,测试结果表明,该方法可以成功地处理复杂情况下的目标跟踪。与其他方法进行比较,结果显示提出的方法检测以及跟踪目标性能更好。