基于视频的运动车辆检测技术研究

智能交通系统是目前交通运输领域研究热点,车辆检测是智能交通系统的主要组成部分.文章研究了基于视频的车辆检测技术,指出运动车辆图像预处理、背景图像重建与更新以及运动车辆检测与技术是基于视频的车辆检测应解决的关键技术.     

基于分块分类的智能视频监控背景更新算法

针对传统智能视频监控中背景更新算法计算量大、对光照变化敏感等问题,提出了一种基于分块分类的背景更新算法.首先,根据视频序列获得初始的背景参考图像,采用背景差分法得到当前帧的差分图像.然后,将差分图像采用分块处理,按照子块的均值特征对各子块图像进行前景块和背景块的分类.最后,根据分类情况采用不同的背景更新策略,实现背景的实时更新.该算法以块为操作对象,相比单个像素处理时的计算量更小,运算速度更快.实验结果表明,新算法能较好地适应光照变化,背景更新效果较好.     

基于二维主成分分析的运动目标检测

运动目标检测是计算机视觉研究的重要领域,在视频监控和智能交通等领域应用广泛.本文提出了一种自适应的运动目标检测方法.该方法采用二维主成分分析建立背景模型,通过比较重建图像和原图像的差异来检测运动目标.为了自适应动态变化的复杂背景,该模型由增量算法在线更新.实验结果表明,提出的方法可以在复杂变化的动态背景环境下进行有效的运动目标检测.     

智能视频监控中的人体检测与识别

针对传统的单点视频检测,提出了一种智能的视频人体检测与识别方法.该方法首先通过彩色空间的降维,在线更新背景模型,消除时间变化引起的阳光、天气等因素对背景图像的影响.然后对视频图像当前帧和背景帧差分检测和当前帧Canny边缘检测,得到视频人体初始差分边缘模板.最后对人体进行分割、测量,融合形状比例特征和人体区域比对法识别人体,进而更新差分边缘模板.实验证明了视频人体检测与识别方法准确率高,处理时间短,存储量小.     

高尔夫球体育视频分析系统的开发

本文将介绍针对体育运动视频图像分析的高尔夫球体育运动图像采集分析系统软件，系统的硬件部分包括视频采集卡、工业计算机、工业摄像机、触摸屏和机架；软件部分实现的功能有视频捕获、对比播放、绘图分析、智能图像处理等；软件的进一步开发视频地理的功能，即视频分割，使用背景更新方法把选手的前号图像从背景中分离出来。     

一种改进的运动目标检测方法

视频序列中的运动目标检测是计算机视觉、视频监控等领域的关键问题。背景差分法是目前运动目标检测中最常用的一种方法．而构造一个自适应更新的背景模型是背景差分法的核心。利用运动目标图像变化比背景图像变化要快的特点,提出了一种改进的构建并实时更新背景图像的方法。实验表明,该方法计算量小、实时性好、并且能够确保较好的检测精度。     

改进的道路背景提取和更新算法

现有算法对长时间含有静止车辆的视频序列进行背景提取和更新时效果不甚理想,为此提出一种改进的道路背景提取和更新算法。通过统计一段时间内视频帧中各像素值所属区间来提取背景图像,结合边缘检测算法分析持续变化的区域,解决背景更新中存在的当前背景图像中含有静止车辆的问题。实验表明算法可以很好地适应实际应用中的复杂情况,准确性有了明显提高,且算法实现简单,实时性较高。     

基于动态图像的行人重识别算法研究

随着视频采集技术和大规模数据存储技术的快速发展,大型摄像机网络逐渐部署于公共场所。传统的人工监控技术一直难以应对摄像机网络产生的大量视频,而智能视频监控技术已成为解决这一问题的主要途径。行人重新识别作为智能视频监控领域的一个新兴课题,引起了研究人员的广泛关注。行人识别指在现有图像或视频序列中识别目标行人,这些图像或视频序列可能通过非重叠摄像机的视野给定行人图像。一般来说,行人识别图像来自不同的摄像头,其面临着视角、态度、规模和照明变化带来的挑战。目前,如何准确、高效识别行人体重是课题的主要研究方向。     

概率图模型及其图像与视频应用研究

概率图模型及其应用作为一个具有挑战性的研究领域目前已成为一个新的研究热点。概率图模型为解决智能信息领域的不确定性问题提供了重要途径。尽管目前概率图模型还处于不断发展之中,但近年来基于概率图模型的图像和视频智能信息处理的应用研究受到人们的关注,出现了许多有效的算法,这些算法为解决一些传统的图像和视频智能信息处理问题提供了新的途径。本文首先对概率图模型的3种重要表现形式、特性和主要技术进行了分析和讨论,在此基础上,以概率图模型在图像和视频中的应用为线索,对目前基于概率图模型的图像和视频智能信息处理的主要技术进行了概述和比较研究;最后对概率图模型所存在的一些问题及进一步的发展进行了展望。     

基于最近邻域像素梯度的视频背景快速提取

针对嵌入式设备对视频背景的实时提取问题,提出一种基于最近邻域像素梯度（N2PG）稳定性的视频背景快速提取方法。首先,以视频中任意帧作为初始背景,并计算此背景图像的N2PG矩阵;然后,以背景帧之后若干帧图像作为背景更新图像,同理计算N2PG矩阵;最后,将背景图像N2PG矩阵与更新图像N2PG矩阵进行差分,并通过实时估计的梯度稳定性阈值快速判断背景模型中各像素点是静态背景像素点还是非背景像素点,进而对其更新或替换,以得到视频当前背景。经计算机仿真测试,与常用的卡尔曼滤波法和混合高斯法相比,基于N2PG的视频背景提取方法得到相同质量背景仅需10~50帧图像,并且平均处理速度分别提高36%和75%;和改进的视觉背景提取（ViBe）算法相比,在所需帧数和所得背景质量相近的情况下,该算法背景更新速度提升一倍。实验结果表明,基于N2PG的视频背景提取算法具有很强的自适应性,并且速度快、内存消耗小,背景提取准确度达到90%以上,可满足真实自然环境下嵌入式视觉设备的应用。