对光照变化鲁棒的一种运动目标检测方法

鉴于现有的运动目标检测方法对光照变化的敏感性,本文提出了一种在静态场景下对光照变化鲁棒的运动目标检测方法。该方法利用视频当前图像帧的边缘与背景图像的边缘做差分运算,得出运动目标的轮廓,进而对运动目标进行定位与检测。实验证明,本方法在一定程度上能够消除由于环境光照变化引起的"曝光"现象,实时准确地检测出运动目标及其位置,运算速度快,满足实时性的需求。     

一种视频图像序列中运动对象的分割与跟踪算法

本文提出了一种视频图像序列中运动对象的分割与跟踪算法。该算法通过Canny算子检测出差帧图像的边缘信息,并结合当前帧与背景帧的边缘图像,提取出运动对象。在后续帧中通过建立前帧感兴趣运动对象与当前帧中各运动对象的帧间向量来跟踪当前帧中感兴趣的视频对象。实验结果表明,该算法可行,而且由于该算法简单、计算复杂度小,能很好地满足实时监控系统中对感兴趣运动对象的提取与跟踪。     

一种改进的图像序列运动小目标检测方法

针对目标背景运动的情况,在随机哈夫变换运动检测方法(MDRHT)的基础上,提出了基于中心偏移的哈夫变换运动检测方法(Center-Biased MDHT)。它利用图像中显著的边界信息,有效地估计图像序列帧间图像背景的整体运动;利用图像背景运动的一致性,预先设定帧间位移的阈值,减少了预处理阶段的计算量;对前后两帧相邻图像进行差分处理,充分利用小目标在差分图像中成对出现的特点,达到了在目标检测阶段减少计算量的目的。     

电子稳像的灰度投影三点局域自适应搜索算法

灰度投影算法是检测图像序列帧间运动矢量,实现电子稳像的关键技术之一。通过对其相关曲线的分析,基于单峰性的特征,提出了三点局域自适应搜索算法,即:在搜索宽度内均匀选取3点,计算比较其相关值,判断相关曲线梯度的变化方向,相应调整搜索参数,获得帧间运动矢量,在此基础上即可进行运动滤波和图像补偿,从而实现电子稳像。当搜索宽度为2n-1(n=1、2……且2n-1小于搜索方向上图像宽度的一半)时其运算量仅为3n,而非以往全局搜索算法的2n 1-1,从而克服了运算量大、耗时长的缺陷。该算法得到了仿真实验的验证。     

基于块估计的运动目标检测方法

提出了一种适合于运动目标检测的块运动分析方法,用以补偿移动背景所带来的杂波信息,准确检测运动目标。在对原始图像进行滤波的基础上,选择合适的子块,通过块匹配,得到背景位移矢量;利用这些运动参数,在相邻帧之间进行运动补偿,达到分割运动目标的目的。该算法对背景的适应性能好。     

天文图像序列中弱目标的实时检测算法

针对天文图像中运动弱小目标的检测问题,在分析天文CCD图像特点的基础上,根据待检测目标运动状态的不同,提出:1)在检测动目标时,对基于图像对称差分运算方法进行了改进,改进后的方法性能优于图像差分法,且硬件实现容易。该方法以连续三帧序列图像为一组处理对象,在进行绝对差运算之前,对图像进行对比度增强及均值滤波;2)使用形态学滤波的方法实现单帧静止多目标的检测,该方法采用top-hat算子完成背景的估计与目标的检测。为了实时实现所提出的动目标及静止目标的检测算法,设计了DSP FPGA硬件架构方案,并进行了外场实验。实验的结果表明,检测算法在硬件加速的情况下可以实时有效地检测到SNR≈2的弱小目标,并可以同时实时保存原始图像数据。     

一种复杂背景下扩展目标搜索方法

目标搜索的关键在于捕获到感兴趣的目标。在复杂背景下,利用灰度特征、区域特征、纹理特征难以对目标进行有效搜索,而运动特征是可利用的有效特征。提出了一种基于运动矢量分类的扩展目标搜索算法,将前一帧图像均匀分块,对每块在其周围与当前帧图像块匹配,得到每块的运动矢量,依据目标块与背景块的运动方向差异剔除背景块,再依据目标块的集中性及其运动矢量的相等特性提取目标块,目标块中心的平均即为目标的近似形心。实验表明,该方法能够有效地对复杂背号下扩展目标进行搜索。     

基于形态学的海面背景红外点目标检测方法

采用行均值相减方法抑制温度场的非线性影响,校正红外图像模糊,增强点目标;利用Top-Hat算子形态滤波,抑制背景并保留高亮区;选择结构元素进行腐蚀和膨胀运算,去除虚警点获得目标候选点;搜索局部极大值,确定阈值并结合图像帧间的相关性分离出目标。实验表明,该方法能检测出低信噪比复杂海面背景中的红外点目标。     

混合色彩空间多信息融合的运动目标检测算法

针对传统帧间差分算法存在漏检、空洞和虚假目标等问题,提出一种改进的帧间差分算法。对几种常见色彩空间的运动目标检测效果进行实验对比分析,选取检测效果优良的色彩通道分量构建运动目标检测的混合色彩空间CbVb*。为充分利用帧间信息的相关性,根据CbVb*空间的场景像素变化特性,提出七帧帧间差分算法以获取运动目标的时域帧间差分;采用自适应阈值的Canny算子得到梯度域的运动目标边缘,将时域帧间差分与梯度域目标边缘进行融合,并对融合信息进行腐蚀和膨胀处理得到最终的检测结果。实验结果表明,改进的算法可以更准确地检测出运动目标,并具有较好的鲁棒性、适应性和实时性。     

运动背景下多目标跟踪的小波方法

为了能从运动背景中检测其中的运动目标,并进行跟踪,提出一种基于小波变换的分层匹配跟踪算法。利用小波分解的多层子图进行分层匹配,估计整个背景的运动矢量;利用差分算法从运动背景中检测出多个运动目标,计算出多个动目标的形心坐标,绘出各动目标的运动轨迹。该算法与传统的块匹配算法相比,滤除了原图像的高频噪声,防止了在含噪原图像上进行块匹配不准确的缺点;另外,在低频分量图像上N×N范围进行块匹配,相当于在原图像上2nN×2nN的范围进行匹配搜索,搜索速度快。当相邻两帧背景运动向量小于10个像素,运动目标相对背景的运动向量小于5个像素时,实验结果证明了此算法的有效性和可行性。     

基于背景重构和水平集的多运动目标分割

针对固定摄像机监控中多运动目标自动分割问题,本文提出了一种基于背景差分和水平集的新方法.首先,该方法通过求解连续三帧图像的对称差分,确定出当前帧中的背景像素点,并对背景像素点的灰度值进行统计,最后选择频率最高的灰度值作为该点背景像素灰度值来重构背景.其次,提出了基于8-邻域搜索的区域生长算法完成连通区域的检测,并通过设置阈值和连通域分析,消除背景块噪声并标定出运动目标区域.最后,对所有运动目标区域块,分别采用无需重新初始化的水平集算法作分割,得到封闭和完整的目标轮廓.实验结果表明,该算法能实现固定摄像机滥控中刚体或非刚体的多运动目标的自动检测和轮廓分割.     

运动背景中结合特征位移矢量场模糊分割与 OTSU法的运动检测

运动背景中的运动检测难度较大,背景运动补偿后差分以及分割光流场可实现动目标和背景的分离,差分前需进行鲁棒的背景估计,且差分后易出现空洞,而光流估计在噪声以及目标运动速度较大时并不准确,尤其在光照变化时,两种方法均易失效。本文提出一种特征点位移矢量场模糊分割与图像自适应阈值化相结合的运动检测方法,实现在无任何关于运动目标或者运动背景先验信息条件下的动目标检测。通过改进的 SIFT匹配方法生成鲁棒的特征位移矢量场,采用模糊 C均值聚类算法对 SIFT位移矢量场进行无监督分类,实现动目标与背景特征的自适应分离。 OTSU法和形态学操作实现图像的自适应分割,用以修正特征点凸包,最终分割出动目标区域。与鲁棒的背景运动补偿后差分以及光流估计的对比实验表明,在目标运动速度较大、光照变化以及噪声情况下,本文方法均能够检测出运动目标,且在光照变化下的优势明显。     

序列图像中运动目标检测

提出动态背景下序列图像中的运动目标检测算法。利用像素邻域的各向同性对图像进行归一化,消除亮度变化等因素的影响;利用光流信息并结合小波变换由粗及精计算速度场来配准图像;用当前帧作参考图像,通过时域积分校正背景图像。当前帧与校正后背景图像作差得到差分图像。假设该差分图像中噪声分布为高斯分布,由高斯分布的3σ特性滤除差分图像中的噪声,则粗定位出目标;最后以聚类方法确定运动目标区域。分别对200帧可见光和200帧红外图像序列进行实验,检测率分别为95%和94%。     

随机图像选取与自适应背景更新的运动物体检测

为克服运动目标检测中易出现的光照变化、遮挡、虚假目标等现象,提出了一种随机图像选取与自适应背景更新的运动物体检测方法.该方法从视频序列中随机选取一帧图像作为初始背景,根据变化标记矩阵对背景进行自适应迭代更新,以提取可靠的背景图像,实现运动物体的检测.实验结果表明,采用该算法提取的背景不存在混合现象,且在光照变化较大以及运动物体之间存在遮挡的情况下,能够构造出可靠的背景,检测出的目标物体清晰可见.     

Moving object detection and tracking in videos through turbulent medium

This paper addresses the problem of identifying and tracking moving objects in a video sequence having a time-varying background. This is a fundamental task in many computer vision applications, though a very challenging one because of turbulence that causes blurring and spatiotemporal movements of the background images. Our proposed approach involves two major steps. First, a moving object detection algorithm that deals with the detection of real motions by separating the turbulence-induced motions using a two-level thresholding technique is used. In the second step, a feature-based generalized regression neural network is applied to track the detected objects throughout the frames in the video sequence. The proposed approach uses the centroid and area features of the moving objects and creates the reference regions instantly by selecting the objects within a circle. Simulation experiments are carried out on several turbulence-degraded video sequences and comparisons with an earlier method confirms that the proposed approach provides a more effective tracking of the targets.     

Moving/motionless foreground object detection using fast statistical background updating

Abstract

In video surveillance, the detection of foreground objects in an image sequence from a still camera is very important for object tracking, activity recognition and behaviour understanding. The conventional background subtraction cannot respond promptly to dynamic changes in the background, and temporal difference cannot accurately extract the object shapes and detect motionless objects. In this paper, we propose a fast statistical process control scheme for foreground segmentation. The proposed method can promptly calculate the exact grey-level mean and standard deviation of individual pixels in both short- and long-term image sequences by simply deleting the earliest one among the set of images and adding the current image scene in the image sequence. A short-term updating process can be highly responsive to dynamic changes of the environment, and a long-term updating process can well extract the shape of a moving object. The detection results from both the short- and long-term processes are incorporated to detect motionless objects and eliminate non-stationary background objects. Experimental results have shown that the proposed scheme can be well applied to both indoor and outdoor environments. It can effectively extract foreground objects with various moving speeds or without motion at a high process frame rate.     

基于计算机视觉的运动车辆检测

针对视频图像中车辆检测问题,提出了一种基于计算机视觉的运动车辆检测方法。首先,选取最佳方差参数并利用双边滤波对图像进行预处理;再利用Surendra背景更新算法实时更新背景图像,采用粒子群(PSO)极大熵法求得背景差分图像的阈值;然后,将得到的二值图像进行形态学处理并检测出运动车辆。实验结果表明,该算法不仅适用于简单背景、车速较慢的环境中,而且在复杂背景、噪声较大、车速较快的情况下,该方法均能够克服外界环境的不利影响,准确地检测出运动车辆,提高检测的准确率。     

一种稳健的运动探测与背景维护算

针对家庭安全监控需要，提出一种稳健的运动对象探测算法。首先给出三帧差运动对象检测算法，同时利用像素的亮度分量和色度分量避免由于大尺寸对象闯入引起图像背景像素变化造成运动对象检测的失败。然后提出一种三关键背景维护算法，用于清除背景振动像素，减少虚假报警。实验表明，这种运动探测算法对视频监控系统消除虚假异常报警具有良好的通用性，实时性和稳健性。     

连续运动螺纹尺寸自适应机器视觉检测

针对螺纹零件尺寸检测效率低、工作强度大、检测精度不高的问题,提出了一种连续运动螺纹尺寸自适应机器视觉的检测方法。首先设计了一套在线图像采集装置用于采集运动螺纹零件的图像;其次使用NCC(normalized cross correlation)归一化匹配算法,完成对螺纹零件的识别及追踪,在此基础上设计了自适应的ROI(region of interest)裁剪区域;然后通过Canny算法提取边缘轮廓,利用最小二乘法直线拟合技术对螺纹轮廓进行直线拟合,生成螺纹中径线,完成对螺纹中径的测量;最后在使用Harris角点检测算法提取多螺纹轮廓波峰与波谷的基础上,提出了利用螺纹中径线与各角点之间的距离来完成对角点的细化。实验表明,所提方法在螺纹尺寸检测方面具有可行性和有效性。