基于帧差与非相邻帧差的自适应镜头检测方法

针对突变和渐变的特点,实现了一种基于帧差和非相邻帧差的自适应镜头检测方法。方法通过计算相邻帧差有效地检测突变镜头,通过计算非相邻帧差实现对渐变镜头的有效检测,二者结合可检测出几乎所有的突变和渐变镜头,获得了良好的综合检测效果。该方法不用设全局阈值,适应性强且计算量小,实验结果表明了方法的通用性和有效性。     

基于三帧差法与聚类算法的目标识别方法

针对三帧差法进行监控视频目标识别过程中出现目标缺失和背景冗余问题,提出了一种基于三帧差法与聚类算法相结合的运动目标识别方法。这种方法首先对两帧图像的像素进行"减"运算得到两帧图像中变化的像素值;然后确定像素的容许变化阈值并对图片进行二值化处理;最后用网格将二值化图像分为若干区域,在区域内实现聚类,从而有效地将运动目标识别出来。通过实验表明,这种方法可以弥补识别过程中缺失的目标并滤除背景中冗余的亮点。     

基于相邻帧差能量的步态识别研究

本文提出了一种利用相邻帧差能量图来进行步态识别方法.经过图像预处理,得到标准大小的步态图像,从标准图像序列中计算相邻帧差图序列,然后计算帧差能量图,以此作为步态特征进行分类识别,相邻帧差能量图能够较好的反映步态的动态信息.     

基于ZYNQ加速的帧差法运动目标检测

针对运动目标检测算法在传统PC端上实时性较差的问题,设计了一种基于ZYNQ硬件加速的运动目标实时检测系统。将摄像头采集的彩色视频流转换为灰度视频流并进行图像处理来实现运动目标检测,并将检测后的结果与原彩色视频流叠加来显示实时检测结果;选用经典的帧差法,并在ZYNQ平台上设计和实现该算法,在VDMA存储中使用乒乓操作加速,中值滤波进行图像处理时使用流水线操作并行加速,大大地提高了算法处理速度。设计实现后对传统的CPU+OpenCV实现横向对比分析,结果表明ZYNQ平台在实时性上具有明显优势。     

基于帧差法和背景差法融合的车流量检测方法

研究优化车流量检测准确度问题。针对运动目标速度和外界环境都是影响车流量检测准确性,容易造成车流量的漏检和误检等。为了克服传统算法所存在的缺陷,在现有算法的基础上,提出了一种融合帧差法和背景差法的智能车流量检测方法。首先利用帧间差分方法为主,结合减背景方法为辅,然后通过一种迭代阈值分割法滤除噪声并对背景进行实时更新。完成了多车道的车流量检测,并进行了仿真,结果得到多组数据,并提高了计算准确率。仿真结果表明,改进方法可有效地提高了车流量检测精度。     

基于背景差和帧差相结合的目标追踪

本文采用背景差和帧差相结合的方法,实现了更加精确的运动目标检测.同时建立了运动学模型,利用Kalman滤波器对运动学参数进行估计预测,确定追踪目标所在的区域范围,从而减少了模板匹配的运算量,实现了对目标实时的精确的追踪.本文还采用一种动态的闽值选择方法,克服了选用固定的阈值产生的漏检或误检运动目标区域的缺点,更好的实现了目标的追踪.     

基于相邻帧差能量图的步态识别研究

在图像预处理阶段,本文提出了一种用步态能量图静态部分去嗓的方法去除较大空洞和缺口嗓声;在步态特征提取阶段,本文提出了一种用相邻帧差能量图来表征步态特征的特征提取方法.首先对步态序列经过标准化处理,得到标准大小的步态图像,然后从标准化的图像序列中计算相邻帧差图序列,最后计算相邻帧差能量图来表征步态特征,结果表明,相邻帧差能量图能够很好的表征步态的动态和静态信息.在分类识别中,本文采用NN分类器进行分类.实验结果表明,本文方法具有较高的识别率.     

基于三阶帧差的运动特征选取方案

为解决行为识别中运动特征提取的问题,该文提出了一种基于三阶帧差的运动特征提取方案,用于提取运动特征中的变化大小、运动变化的一致性、运动方向的一致性等。实验证明,新方法速度快,准确度高。     

基于谱残差和聚类法的运动目标检测研究

传统基于特征点匹配的目标检测算法目标识别率低、误检率较高是因为特征点匹配不准确、目标轮廓不连续。针对这一问题,分别引入谱残差算法和k means聚类算法,并加以改进,提出一种基于谱残差算法和k means聚类算法的运动目标检测算法。具体方法是：首先,每隔两帧提取加速鲁棒特征SURF并对图像配准,再对帧差结果采用谱残差算法提取视觉显著性特征,去除因匹配不准确造成的噪点和伪运动目标;其次,形态学处理之后引入改进后的k means聚类算法,对不连续的轮廓进行聚类;最后形成完整的目标。实验显示,本文算法目标识别率达到90.61%,误检率达到21.25%,分别优于传统基于SURF特征的运动目标检测算法66.60%的识别率、31.91%的误检率和基于新的局部不变性特征ORB匹配的目标检测算法87.573%的识别率、26.80%的误检率。虽然该算法平均运行时间为18 fps,但仍可以满足视频流畅的需求,因此动态背景下该算法可做为一种有效的运动目标检测算法使用。     

基于三阶帧差的运动特征选取方案

为解决行为识别中运动特征提取的问题,该文提出了一种基于三阶帧差的运动特征提取方案,用于提取运动特征中的变化大小、运动变化的一致性、运动方向的一致性等。实验证明,新方法速度快,准确度高。     

基于两阶段深度网络的输电线路异常目标检测方法

输电线路的异常目标检测对提高输电系统的安全性、可靠性、稳定性起到十分重要的作用,而已有目标检测并未针对线路异常目标的尺度变化大、小目标多、光线暗、部分遮挡等问题进行有效设计,导致识别速度慢、易受环境干扰、误报漏报频发等.针对上述问题,采用两阶段深度网络,利用特征金字塔网络(FPN)提取多尺度特征,使主干网更好地适应目标多尺度变化,并通过全局网络进行特征增强,获得更清晰、更具有代表性的多尺度目标特征.在区域选择网络(RPN)中提出特征指导的候选框生成网络,能够生成稀疏且形状任意的锚,产生更紧密的掩模包围框.在检测阶段,采用多任务损失函数提升网络的预测精度和泛化能力,提高异常目标的检测性能.在MS COCO数据集上进行消融实验和性能对比,验证所提出方法的有效性和先进性,在输电线路数据集上异常目标检测精度达到77%,优于主流深度学习的目标检测方法.     

基于帧差特征点的视频对象提取跟踪的研究

为了降低对象跟踪算法中特征点匹配的复杂度和无用特征点的数量,提高对象提取的精度以及跟踪的速度,提出了一种新的基于帧差特征点和边界点的对象提取、跟踪算法.首先结合形状信息以及自动阀值技术来减少特征点的堆积并提高特征点的利用率,其次从一个新的角度利用帧差技术,不仅有效的将大量的无关特点从跟踪系统中剔除,同时使跟踪范围缩小到一个更加合理高效的区域内.为了让物体的跟踪过程更加精确,通过添加边缘特征点来提高跟踪的鲁棒性.实验结果表明,该算法具有运算量小,精度高,可以处理对象遮挡跟踪问题并具有较强的跟踪鲁棒性的特点.     

基于改进YOLOv5的输电线路多目标检测

针对当前目标检测网络层数加深、参数量和计算量加大,造成实时性差等问题,为了实现对输电线路部件的识别与检测,提出一种基于改进YOLOv5的输电线路多目标检测算法。首先,使用ShuffleNetv2结构作为网络特征提取的主干结构,减少网络的参数量;然后,将PANet网络中的BottleneckCSP改为Light＿CSP模块,加快特征融合的速度;其次,使用CIoU loss、DIoU-NMS方法减少预测框的位置损失和漏检问题。最后,为了验证所提算法的有效性,利用输电线路图像数据集进行训练与测试。结果表明,改进YOLOv5的参数量为7.5×106,浮点计算量为10.9,平均精度达到了87.5%,FPS达到69.2,能够满足输电线路部件检测的精度、轻量化与实时性要求。     

一种结合帧差法和混合高斯的运动检测算法

为了克服传统相邻帧差法和混合高斯模型的不足,提出一种结合改进的相邻帧差法和混合高斯模型的运动检测方法。对于相邻帧差法,增加了梯度比较和中值滤波,突出了运动目标边界和抗噪声干扰能力。通过结合相邻帧差法和混合高斯模型的结果,把图像分为4种区域,对每个区域内的混合高斯模型参数采用不同的更新策略,减少了运动目标对背景模型的干扰,对于物体在运动与静止之间转换的情况也具有很好的适应性。根据区域的划分情况和相邻帧差法的结果确定最终的运动区域。实验表明,既缓解了相邻帧差法产生的空洞问题,也消除背景物体突然转为运动物体后产生的"影子"问题。     

基于帧差和小波包分析算法的运动目标检测

提出了一种在镜头不动的情况下基于累积帧差分割和小波包分析融合技术的运动目标检测方法。这种方法可分为四步:使用改进的累积帧差算法和阈值分割算法完成目标区域的分割,并获得初始运动模板;利用小波包分析算法提取出单帧图像的边缘信息并获得细化的目标区域边缘图;根据初始运动模板和空域边缘图像的融合得到更精确的运动目标模板;最后结合原序列图像检测出完整的运动目标。实验结果表明:这种方法可以有效地从对比度较小和噪声较大的视频序列中较精确地检测出完整的运动目标。     

面向输电线路的异常目标检测方法

输电线路异常目标检测是电力系统监控的重要环节。现有的检测方法并未针对输电线路场景进行有效设计,存在深度网络所提取的特征不够充分,在目标环境多变、尺度变化等影响下缺乏鲁棒性等问题。本文提出一种面向输电线路的异常目标检测方法,该方法采用HRNet作为主干网络提取高分辨率特征,结合HRFPN优化目标特征表示的质量与在RPN阶段均衡产生的正负锚点数量比例,并使用级联的目标检测器进行分类和边界框回归。在输电线路场景的检测结果表明,本文提出的方法具有更高的检测性能,优于Faster R-CNN、Cascade R-CNN。     

融合帧差和Vibe的运动目标检测算法

Vibe算法是一种快速高效的背景建模算法,但该算法在运动目标检测过程中会产生鬼影。本文针对Vibe算法中鬼影消除缓慢的问题,结合多个场景的交通视频提出一种通过连续两帧前景背景像素时域变化来判断鬼影像素点并消除的方法,该方法加快了鬼影的消除速度。同时,对于视频拍摄场景中的背景噪声,采用了对前景图进行开闭操作去除小像素点以及对目标区域的空洞进行填充处理。实验表明,改进的Vibe算法能够加快鬼影的消除,并且与帧差法以及混合高斯建模算法相比,前景检测效果更精确。     

基于形态学的高斯模型和八邻域帧差法混合运动目标检测算法

针对视频中运动目标的提取问题,提出一种基于形态学的高斯模型和八邻域帧差法相融合的提取算法。该算法首先将视频中某些帧转化为灰度图,建立以混合高斯分布为基础的统计模型,并结合八邻域帧差法提取出运动目标的大致轮廓,然后利用自适应更新的高斯模型算法进行精确的减除,最后再进行形态学处理,从而使检测出的运动目标更加清晰完整。实验结果表明,该算法对含有低速运动物体、阴影较多的视频提取效果较好,具有很好的鲁棒性。