基于双阈值的运动阴影检测算法

提出了一种应用于视频图像中运动阴影的检测方法.首先用统计方法建立的背景图像和当前帧图像进行差分;然后采用双阈值对差分图像进行分割,把图像分为背景区,运动区和运动目标与目标阴影的混合区.再利用阴影的位置特征,把阴影分离出来.实验结果表明,该方法能有效检测、去除对监控场景中运动目标的阴影,具有较好的鲁棒性和实时性.     

结合强度和边界信息的非参数前景/背景分割方法

提出一种非参数前景背景分割方法.在将图像的强度信息与边界信息进行融合、提高运动目标检测的鲁棒性的同时,针对图像阴影区域的特性,通过阴影模型能够有效地检测阴影区域.实验结果表明该方法具有一定的实用性.     

引入区域种子的多运动目标分割算法

针对智能监控系统中对多个运动目标进行图像分割这一问题,提出一种引入区域种子的多运动目标分割算法.算法首先利用背景减算法获得包含多个运动目标的前景图像,再利用四叉树分解方法获得与前景图像对应的稀疏矩阵,通过稀疏矩阵中数值的分布情况,计算出包含运动目标的区域种子点,从这些种子点出发,利用主动轮廓模型进行并行目标轮廓提取,最终完成多运动目标图像分割.实验结果证明本文算法能有效分割出前景图像中多个运动目标,分割结果与人眼视觉的判断相近,并行轮廓提取使算法具有良好的实时性.     

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。     

基于改进高斯混合模型的运动目标检测方法

基于高斯混合模型,提出了一种自适应的运动目标检测算法。首先,根据各像素点的像素值的集中程度,自适应地选择高斯分布的个数对背景模型进行学习与更新,再通过背景差分获取差分图像;其次,在对图像二值化的过程中,提出了一种改进的自动调整阈值的方法,用以对差分图像的像素进行分类后分别进行阈值化分割,这样就能得到前景目标;接着采用形态学重构的方法对阴影进行有效消除,从而使前景目标分割的效果得到有效的提高。实验证明,该方法具有较好的鲁棒性和检测效果,同时也具有较好的自适应性,特别是在检测目标本身灰度变化比较大等特殊情况下,更能体现出本算法的优越性。     

一种基于三层圆柱体码本模型的前景检测算法

针对经典码本模型算法无法消除运动目标阴影和码本模型参数难以调节的问题,提出一种在YUV空间下的三层圆柱体码本模型算法。该算法根据运动阴影与背景相比色度相同亮度偏低的特点,在模型底部构建了阴影背景模型;根据光照变化的特点,在模型顶部构建高亮背景模型;并对亮度分量进行高斯建模,用以调节码本模型参数。实验结果表明:采用该模型和参数调节方法能较好的去除阴影和适应光照的变化,而且较好的检测精度和鲁棒性,适用于复杂环境下的前景检测。     

基于背景重构和阴影消除的运动目标分割

背景差分法是一种重要的运动目标分割方法,但是其不仅对背景质量的要求较高,且易将运动阴影误检测为前景目标.针对上述问题,提出了一种用于智能交通系统的新的运动目标分割方法.该方法首先在RGB空间对像素灰度归类法进行了改进,并用其提取了背景图像,同时结合选择更新和背景调整来实时更新背景;然后对背景差分图像的RGB灰度之和,通过设定阈值来提取运动区域;最后对提取的目标阴影混合区在HSV空间,分别进行自上向下、自左向右及其反方向的色调、亮度及边界交叉点判别,以实现阴影检测和消除.实验结果表明,该新方法能获得高质量的重构背景,并能消除阴影(尤其是暗色目标的阴影),因此可提高目标的分割质量.     

一种自适应的双门限场面运动目标检测方法

为了有效解决在复杂环境下机场场面运动目标的精确检测问题,提出了一种自适应的双门限场面运动目标检测方法.首先采用混合高斯背景模型的方法来提取背景图像,然后使用两个门限值对差分图像进行前景目标分割,低门限阈值用于粗分割以检测出较明显的运动目标,在粗分割的基础上再用高门限阈值进行细分割以去除噪声目标和伪目标,最终得到场面运动目标的准确检测和分割结果.在复杂条件下的场景进行的实验,验证了该方法具有良好的噪声抑制能力和对慢目标良好的鲁棒性,同时能有效地分割出前景目标.     

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.     

基于背景差分法的运动目标分割

运动目标分割在基于视频的运动目标检测与识别研究中发挥着重要作用。以图像差分法为基础,实现了一种复杂背景下快速分割运动目标的方法。通过中值滤波对原始图像进行预处理;运用改进的Surendra算法快速提取并更新背景图像;利用数学形态学运算对差分二值图像进行处理,进行运动区域的初始检测;将RGB图像转换到HSI域中进行适当的阴影去除,完成运动目标分割。实验结果表明该方法能够较为有效地分割出感兴趣区域(ROI)内的运动目标。     

基于多特征融合的运动车辆阴影消除方法

提出一种基于边缘特征的阴影消除方法,通过边缘检测获取阴影边缘信息,利用边缘差分、形态学等运算进行阴影消除。并提出一种基于灰度特征的阴影消除方法,利用暗化因子高斯模型进行阴影消除。结合2种方法的优点,给出一种基于多特征融合的运动车辆阴影消除方法,可同时解决车辆与阴影颜色相似以及阴影内部边缘复杂等原因造成的误检问题。实验结果表明,该方法具有较好的实时性、精确性和鲁棒性。     

投影阴影模型的统计参数学习方法

在特定的视频监控环境下,运动目标的投影阴影具有特定的统计模型.提出一种投影阴影模型的统计参数学习方法,该方法利用卡方检验验证了投影阴影的概率分布模型,分析了光照模型下阴影覆盖前后像素点的亮度变化特征,通过统计运动区域象素的光照变化比率直方图,确定了该环境下的投影阴影模型参数,进而检测运动区域中的投影阴影.实验证明用方法得到的投影阴影模型参数比较稳定,能有效检测运动目标的投影阴影.     

一种基于形态学的运动车辆阴影消除方法

提出一种基于形态学的运动车辆阴影消除方法. 该方法不需要彩色、梯度、模型、空间和纹理信息, 只根据前景目标 (包含车辆及其阴影) 的几何形状, 不仅可以有效区分车辆和阴影, 而且可以有效区分相连的车辆. 实验结果表明, 基于形态学的阴影消除方法既具有较高的可靠性, 也具有较好的实时性.     

Moving shadow detection and removal for traffic sequences

Segmentation of moving objects in a video sequence is a basic task for application of computer vision. However, shadows extracted along with the objects can result in large errors in object localization and recognition. In this paper, we propose a method of moving shadow detection based on edge information, which can effectively detect the cast shadow of a moving vehicle in a traffic scene. Having confirmed shadows existing in a figure, we execute the shadow removal algorithm proposed in this paper to segment the shadow from the foreground. The shadow eliminating algorithm removes the boundary of the cast shadow and preserves object edges firstly; secondly, it reconstructs coarse object shapes based on the edge information of objects; and finally, it extracts the cast shadow by subtracting the moving object from the change detection mask and performs further processing. The proposed method has been further tested on images taken under different shadow orientations, vehicle colors and vehicle sizes, and the results have revealed that shadows can be successfully eliminated and thus good video segmentation can be obtained.     

空-频域联合投票的交通视频阴影去除方法

交通场景中的静止或运动阴影往往会降低车辆目标跟踪的精度,因此有效地去除阴影是交通监控视频处理的重要环节之一。然而,目前尚无一种能够同时发掘阴影的空间域和频率域特性且抵抗静止和运动阴影干扰的阴影去除方法。为此,提出了一种基于空-频域联合投票策略的交通视频阴影去除方法。首先,将视频帧从RGB颜色空间转换到HSV颜色空间,再进行非下采样剪切波变换;其次,假设变换系数服从高斯分布,采用变换系数的均值和标准差计算每个尺度的加权掩码;然后,根据多尺度变换系数的零树分布特性,利用粗尺度的加权掩码校正细尺度的加权掩码,将各个尺度、各个颜色通道的加权掩码进行线性组合后得到一个公共掩码,再采用基于最小二乘法拟合的最大熵方法计算自适应分割阈值,对公共掩码进行二值化;最后,联合频率域加权掩码、S通道和V通道的掩码进行投票,进而确定去除阴影后的运动车辆区域。实验结果表明,该算法可有效去除交通监控视频中的静态/运动阴影,抑制阴影的干扰,将传统Meanshift算法的输出车辆轨迹与真实轨迹间的平均欧氏距离缩小95%,且未出现目标丢失的现象,增强了智能分析算法的鲁棒性。研究结果说明,该算法有效联合交通监控视频的空间域和频率域表示,充分发掘了运动车辆区域与阴影区域之间的纹理特性和颜色特性差异,有利于获得更精确的阴影去除结果,进而提高车辆目标跟踪的精度。     

基于视频图像的运动目标检测和阴影去除

智能视觉监控系统应用潜力巨大,其中的运动目标检测和阴影去除还有很多问题需要解决。采用基于混合高斯模型背景分离法进行运动目标检测,采用基于统计非参数化理论的方法对目标阴影进行去除。实验结果表明,这种方法可以有效地检测出运动目标和消除阴影。     

TRAFFIC VIDEO-BASED MOVING VEHICLE DETECTION AND TRACKING IN THE COMPLEX ENVIRONMENT

Moving vehicle detection and tracking is the key technology in the intelligent traffic monitoring system. For the shortcomings and deficiencies of the frame-subtraction method, a novel Marr wavelet, kernel-based background modeling method and a background subtraction method based on binary discrete wavelet transforms (BDWT) are introduced. The background model keeps a sample of intensity values for each pixel in the image and uses this sample to estimate the probability density function of the pixel intensity. The density function is estimated using a new Marr wavelet kernel density estimation technique. The background and current frame are transformed by BDWT, and moving vehicles are detected in the binary discrete wavelet transforms domain. For the shortages of RGB (Red, Green, Blue) or HSV (Hue, Saturation, Value) color space-based vehicle shadow segmentation algorithms, shadow segmentation algorithm based on YCbCr color space and edge detection is proposed. The original data of the shadow according to the characteristics of the YCbCr space is chosen, and then, combined with edge detection, the shape and location of the vehicle region is determined. An automatic particle filtering algorithm is used to track the vehicle after detection and obtaining the center of the object. An actual road test shows that the algorithm can effectively remove the influence of pedestrians and cyclists in the complex environment, and can track the moving vehicle exactly. The algorithm with better robustness has a practical value in the field of intelligent traffic monitoring.     

融合颜色相关性和纹理差异的阴影检测方法

在雨天交通视频中,车辆同时受阴影和水汽拖尾的干扰。为此,在分析目标车辆、路面、阴影和水汽拖尾区域特性的基础上,提出一种融合颜色相关性和纹理差异的阴影检测方法。由当前点与背景点的HIS向量点积测量颜色相关程度,检测出车辆目标和水汽拖尾区域,利用当前区域和背景区域的纹理差异区分深色车辆和阴影。实验结果表明,该方法能较好地检测雨天交通视频中运动车辆的投射阴影,且能有效去除水汽拖尾,从而保证车辆的正确分割。     

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。     

融合时域和分水岭信息的车辆检测算法

在实时视频图像车辆目标检测时,为了克服行进中车辆背景噪声和阴影带来的准确率低、漏检率高等问题,提出一种时空融合和内外标记的分水岭车辆检测算法。通过相邻视频三帧差法得到的时域运动变化信息结合Canny算子得到的边缘图像相结合,得到时域掩模图像。利用文中提出的基于二次重构、内外区域标记、梯度修正的分水岭空域算法对运动区域及其周围区域进行分割,解决了一般分水岭算法的过分割现象。将得到的结果进行投影,以提高运动状态下车辆的检测精度。实验结果表明,在车辆背景噪声和阴影的影响下,该算法的检测效果仍然较好,车辆漏检率降低到4.90%,算法的准确性、鲁棒性和适应性较好。