多尺度对称差分交通视频目标分割及阴影消除

本文针对固定场景条件下的视频图像序列进行运动目标分割,根据交通场景中同一运动目标在图像中不同位置的面积和速度不同的特点,采用分级分块多尺度对称差分法和帧间背景像素变化规律优化背景重建。然后利用背景差分的方法提取运动目标,在运动区域内利用HSV 颜色空间的阴影特点来消除阴影,准确提取出完整的车辆图像,为交通状态的分析提供实时准确的信息。     

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.     

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.     

视频图像中运动目标的阴影消除法

针对在视频序列图像中运动目标的阴影造成运动目标的物理变形,影响运动目标的检测与跟踪;同时,由于目前常用的阴影检测算法,总是要先检测到阴影,再分割阴影,需两步才能达到消除阴影目的,难以达到实时检测要求。为此,提出了一种基于视频图像快速阴影消除方法。该方法通过分析阴影与背景的HSV彩色空间中的特性,利用阴影与运动目标在H,S,V三个分量中的不同特点,计算其相应的阈值,运用该阈值进行分割并消除阴影,能在视频序列图像中一次性检测到运动目标的同时就消除阴影。实验表明,在户外条件下,该算法是准确有效的。     

基于前景分割的自阴影去除算法

从视频序列中识别运动物体是计算机视觉中一项基本且重要的任务,也是从静态背景中有效地分割运动物体的一项基本要求。在视频序列中,由于阴影强度的不同以及背景梯度的变化,分割出的前景物体一般都包含自阴影。而且,自阴影在自然界中一般都是模糊且无明显边界的。在视频序列中,为了消除此类阴影,本文提出一种基于平均统计差异推论的Z检验算法。这种统计模型能处理没有光源和表面方向数目限制的复杂、实时场景。实验结果表明,该算法能有效地从分割帧中检测出自阴影。     

复杂场景中运动目标的检测

由于检测场景的复杂性,传统的运动目标的提取常常采用自适应背景更新及自适应阈值分割方法,以去除噪声干扰,提高检测准确性。针对这种情况,提出在背景减除法的基础上通过改进的背景掩膜算法进行背景更新,利用场景的复杂性及系统中运动目标出现在障碍物边缘的特点,进行检测区域及非检测区域的划分,并采用阈值伪图的方法对整个视频序列图像进行自适应阈值分割。实验结果表明,该方法能够有效去除由于光线变化产生的噪声,以及由于相机抖动引起的背景与当前检测帧之间由位置偏差而产生的噪声,并避免了阈值分割时运动目标本身会出现空洞的问题,为后续运动目标的识别与跟踪奠定基础。     

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。     

采用UKF建模的实时背景提取和运动阴影检测

实时运动物体分割是实现智能视频监控和视频交通流量检测等视觉系统的基础。目前,影响运动检测的因素主要有两个方面,一是背景建模的准确性;二是运动阴影的干扰。提出了基于无偏卡尔曼滤波器(UKF)的背景提取和阴影检测方法,构建整体的运动物体检测框架。该方法通过对背景和阴影建模,分别从帧间差分和背景差分两个层次综合分析像素值的动态变化特性,并利用色彩和亮度变化特性检测出运动阴影,最后借助UKF对两个模型参数进行在线更新,实现实时的运动物体分割。与现有算法相比,该方法背景跟踪速度快、运动检测效果好、计算量较小。实验结果证明了该方法的有效性和实用性。     

视频序列中自适应背景的运动目标提取

在视频序列的运动目标实时检测中常用的方法是背景差分法,但因背景图像未随监视场景光照变化及时更新而限制了本方法的适应性.对此,本文首先提出了一种自适应背景更新方法,得到差分二值图像;然后引入散布函数准则计算出差分图像的最佳分割阈值,实现运动目标的自适应阈值分割.实验结果表明:本文提出的背景更新方法可随着光照条件的变化实时、准确地更新背景图像,在此基础上提出的基于散布函数准则的自适应阈值分割方法可以实现运动目标的完整分割,这为运动目标的后续识别与理解奠定了基础.     

基于统计背景模型的运动目标检测方法

运动目标检测是计算机视觉、视频处理等应用领域的重要研究内容。其中减背景技术是一种常用方法。在减背景方法中，背景模型的提取、更新、背景扰动、外界光照条件变化、阴影检测等是必须要考虑的问题。提出了一种有效的运动目标检测方法，较好地解决了以上问题，首先利用统计的方法得到背景模型，并实时地对背景模型更新．以适应光线变化和场景本身的变化，用形态学方法和检测连通域面积进行后处理，消除噪声和背景扰动带来的影响，在HSV色度空间下检测阴影，得到准确的运动目标。实验结果表明，该方法是快速有效的。     

基于背景自适应生成的监控图像运动目标分割

通过插值填充运动目标区域,生成首帧参考背景.背景更新时,结合当前帧和前一帧图像及其参考背景,根据亮度补偿动态生成当前帧参考背景.然后采用减背景方法对目标进行粗提取,再经目标阴影去除和形态学处理后分割出精确的运动目标.实验结果表明,该方法是有效可行的,能达到实时处理的要求,同时对场景光照变化具有较好的自适应性.     

Fast and accurate extraction of moving object silhouette for personalized Virtual Reality Studio @ Home

Accurate segmentation of moving object silhouette in a real-time video is very important for object silhouette extraction in the vision-based interactive systems. However, the inherent problem of moving object segmentation based on the background subtraction criteria is to distinguish the changes occurring from background disturbing effects such as noise, shadows and illumination changes. The present paper proposes a hybrid method based on the background subtraction criteria that preserves the boundary of moving object and also robust against the noise and illumination changes. In the proposed method, the object regions are well identified by fusing the results from the background difference and motion-based change detection criterion. The shadows and highlights are well detected by utilizing the normalized luminance and background difference in Hue and Saturation component. The paper also introduces a novel connected component analysis procedure for detecting the object blob from the noise blobs, and a robust pixel-based background update scheme for updating the dynamic changes in the background. Moreover, the computational complexity of the proposed algorithm is analyzed. The proposed method has been implemented and evaluated regarding the segmentation quality and the frame rate. Further, the method has been shown to successfully extract the moving object silhouette and robust against the disturbing effects. Moreover, the proposed method has been tested in the VR@Home platform.     

Detecting moving objects, ghosts, and shadows in video streams

Background subtraction methods are widely exploited for moving object detection in videos in many applications, such as traffic monitoring, human motion capture, and video surveillance. How to correctly and efficiently model and update the background model and how to deal with shadows are two of the most distinguishing and challenging aspects of such approaches. The article proposes a general-purpose method that combines statistical assumptions with the object-level knowledge of moving objects, apparent objects (ghosts), and shadows acquired in the processing of the previous frames. Pixels belonging to moving objects, ghosts, and shadows are processed differently in order to supply an object-based selective update. The proposed approach exploits color information for both background subtraction and shadow detection to improve object segmentation and background update. The approach proves fast, flexible, and precise in terms of both pixel accuracy and reactivity to background changes.     

基于图像处理的公路车流量统计方法的研究

本研究提出了一种车流量的统计算法,处理步骤包括:提取与更新道路背景图像、使用自适应阈值提取运动车辆、去除车辆阴影、区分不同车辆和利用车辆中心的连续匹配来确定车辆数目,该算法不受车道的限制,人为影响小,计数准确性高。实验结果表明,本算法能够适应道路背景的多种变化,实现车辆的准确计数。     

Shadow removal for pedestrian detection and tracking in indoor environments

This paper presents a method of shadow removal to improve the accuracy of pedestrian detection and tracking in indoor environments. The proposed method can be divided into four steps: building a background model which can be automatically updated, extract moving objects region, eliminating moving objects shadows, classifying and track pedestrians. The background model is built with pixel value and the updating of Gussian. The approach for real time background-foreground extraction is used to extract pedestrian region that may contains multiple shadows. In the gray histogram space, based on the depth value of the gray images, a reasonable threshold is set to remove shadows from various pedestrians. In this work, we propose a methodology using the foreground frames without shadows to detect and track the pedestrians across training datasets. Comparative experimental results show that our method is capable of dealing with shadows and detecting moving pedestrians in cluttered environments.     

一种基于对称差分和背景消减的运动检测方法

该文提出一种综合利用对称差分和背景消减来进行运动检测的方法。首先通过建立一个可靠的背景更新模型,由背景消减法得到基本准确的前景图像,然后和对称差分法得到的差分图像综合,得到完整可靠的运动目标图像,最后用形态学滤波和连通区域面积检测进行后处理,以消除噪声和背景扰动带来的影响,并用区域填充算法来填补目标区域的小孔,从而将视频序列中的运动目标比较可靠地检测出来。实验结果表明,该方法快速、准确,有一定的实际应用价值。     

Unsupervised motion detection with background update and shadow suppression

An algorithm is developed to detect moving object and suppress shadow.According to motion variations caused by some moving objects in a scene,a background update approach is proposed.The developed update method efficiently prevents undesired corruption of background and does not consider the adaptation coefficient or the learning rate used in some existing algorithms.A multi-scale wavelet transform methodology is used to segment foreground from a clutter background.The optimal selection of threshold value is automatically determined which does not require any complex supervised training or manual calibration.According to photometric invariant,a color ratio difference is proposed to suppress shadow.Some complete foreground motion object regions are extracted by integrating moving object segmentation in the multi-scale wavelet with shadow suppression in the color ratio difference.The mentioned method is less affected by the presence of moving objects in a scene.Experimental results show that the proposed approach is efficient in detecting motion objects and suppressing shadows by comparisons.     

基于视觉记忆模型聚类的运动目标检测

传统的混合高斯背景建模可对存在渐变及重复性运动的场景进行建模,但其运算过程需要足够的计算量和存储空间,不适应在复杂背景下的背景建模,也不能解决场景中存在的突变。针对这些问题,提出了一种基于记忆模型的聚类算法,算法为每个像素点设置一个聚类模型,每个聚类可根据背景的变化结合人类记忆模型自适应的创建、更新和删除。该算法通过人类瞬时记忆、短时记忆和长时记忆做出准确判断,运动目标检测结果更能符合人类感觉器官的判断。