视频监控中背景的提取和更新算法

获取高质量的背景图像是在背景消减法中决定目标提取效果的关键。针对传统方法存在的问题,从实际情况出发提出一种改进的背景提取和更新算法,并在Matlab环境下进行仿真,仿真结果显示该算法具有良好的性能,说明它对于各种外部因素的影响,如光照变化、阴影、目标遮挡等,具有很强的适应能力。     

基于差分图像分块的视频背景提取算法

为了降低背景提取算法的时间复杂度和空间复杂度,提出一种结合差分图像分块、背景减除和帧间差法的背景提取方法。对差分图像进行分块分类,提出了一种统计像素值的子块分类法,对不同类的块用不同的更新策略进行背景实时更新。该算法有效解决了背景更新过程中运动目标逗留、背景物体移入移出等问题的影响。实验结果表明该算法运算速度快、鲁棒性高、能准确地提取实时背景。     

一种基于高斯混合模型的分块背景更新算法研究

随着经济建设的快速发展,城市交通问题成为了人们亟待解决的问题。在智能交通系统领域中,背景提取和背景更新成为近年来计算机视觉领域的研究热点[1]。提出了一种应用于智能视频监控中的背景更新方法。在视频图像中,通过利用高斯混合模型获取背景图像,通过分块背景更新的方式提高背景更新的速度。     

基于Xscale和多DSP的智能视频监控系统的设计与实现

设计了基于PXA270Xscale处理器和多片TMS320DM642DSP处理器的并行智能视频监控系统,详细介绍了其体系结构的特点,关键模块的硬件组成及工作原理,并通过在该系统上实现运动目标的实时跟踪算法验证了系统的设计性能.验证结果表明,该监控系统具有处理速度快、接口丰富、成本低廉、可重构的特点,适合应用于视觉导航、安全监控等要求高速视频图像处理的场合.     

谈谈智能视频监控

随着计算机视觉等相关技术的发展，尤其是“平安城市”等项目的启动，海量视频的处理需求随之产生，借此机会，智能视频监控开始崭露头角，成为安防界的热门话题之一。[编者按]     

基于分块背景更新的均值飘移跟踪算法

为提高融合背景信息均值飘移跟踪算法中的背景模型更新效率,提出基于分块背景更新的改进算法。将目标周围的背景区域划分成4块,分别以此4个子块的颜色直方图作为区域特征描述符进行计算,利用巴氏系数选择性地更新相似性较低的3个区域。在构建目标候选模型时,利用目标物体空间信息赋予候选目标区域像素点相应的距离权重。对整块背景信息更新策略和加权更新背景信息策略进行比较,比较结果表明,该算法具有更高的迭代收敛效率和更强的抗背景干扰能力。     

如何有效实现智能视频监控

传统的监控已经越来越难以满足用户的需求，而主动的智能视频监控已经正式走向了市场，并逐渐的被用户认可和接受。目前有很多用户已经开始尝试使用智能视频监控，但实际的效果与预期还是有很大的差距，那么怎么才能有效的实现智能视频监控呢？     

智能视频监控系统设计

针对目前智能视频控制系统只是对运动目标进行识别跟踪，拍摄范围比较大，取证利用价值较低的缺点，设计了一套基于人脸的智能视频控制系统．完成了云台控制系统的软件及硬件设计。本系统就是在对运动目标进行识别基础上进行人脸检测，把人脸放在屏幕中央，达到抓证取证目的，提高了利用价值。     

一种有效的道路背景提取与更新算法

针对复杂环境中道路背景图像的快速获取问题,提出了一种快速有效的道路背景提取和更新算法。应用改进的多帧平均算法提取背景,采用改进的Surendra算法对背景进行更新。实验结果表明,该算法能够减轻初始静止车辆对背景建立的影响,能及时消除由于初始帧中目标移动而造成的鬼影,对光线变化鲁棒性高、速度快、更新效果好。     

基于网络的智能视频监控系统的设计与实现

基于网络的智能视频监控就是将自动视频分析技术应用到网络视频监控系统中.提出了一种由分析单元,中心服务器和客户端3个部分组成的智能视频监控系统架构方案.通过对定标、DirectShow、TCP/RTP以及Xvid等关键技术在智能视频监控系统的3个组成部分中的作用来说明系统的设计方案,同时指出了实现自动视频分析的各种关键技术和方法.实验结果表明,该解决方案具有良好的可重用性和扩展性.     

智能视频监控系统中改进YOLO算法的实现

智能视频监控主要采用了人工智能、图像处理等先进技术对监控摄像头获得的图像进行分析和处理,在各行各业中得到了广泛的应用,成为当今社会研究的热点。介绍了智能视频监控系统的架构,针对数字化车间的特点,提出一套基于深度学习的检测方法,将YOLO检测算法用于数字化车间中人员和安全帽的检测。为了提高YOLO算法检测小物体的能力,设计了一种改进的YOLO网络结构,将RPN检测算法融入到YOLO算法中,并借鉴R-FCN算法,去掉一个全连接层,在卷积层上进行滑动窗口操作,采用先池化再卷积的方法,以减少图片特征丢失。将改进后的算法用于视频监控中,有效地减少了检测过程中图片特征的丢失,系统检测的实时性和准确率均满足实际工程的需求,实现了车间的智能检测。     

基于云计算的智能高清视频监控系统研究

网络视频监控系统对海量视频数据存储和智能视频分析服务的需求日益突出,针对系统硬件计算能力有限,不能满足用户需求的多样性,系统扩展性受到存储设备容量的限制等问题,通过虚拟化技术构建云计算基础资源池,以Hadoop分布式文件系统存储海量视频数据,使用MapReduce编程模型实现大规模并行计算,提高了系统的可扩展性和可靠性,为用户提供实时视频监控和智能视频分析服务.     

基于Android平台的车载视频智能监控系统的研究

针对传统车载视频监控系统网络资源利用率低、高清实时性能较差的问题,提出了一种基于Android平台的车载视频监控解决方案,对系统中关键模块作了重点研究。系统实现了P2P和C/S混合网络架构、多线程机制、丢包和包乱序处理,从而提高了实时监控性能。经实验证明,该系统实现了针对车辆的实时高效的监控,利于向智能交通领域中推广。     

自适应权重更新的轻量级视频目标分割算法

目的 针对现有视频目标分割（video object segmentation,VOS）算法不能自适应进行样本权重更新,以及使用过多的冗余特征信息导致不必要的空间与时间消耗等问题,提出一种自适应权重更新的轻量级视频目标分割算法。方法 首先,为建立一个具有较强目标判别性的算法模型,所提算法根据提取特征的表征质量,自适应地赋予特征相应的权重;其次,为了去除冗余信息,提高算法的运行速度,通过优化信息存储策略,构建了一个轻量级的记忆模块。结果 实验结果表明,在公开数据集DAVIS2016 （densely annotated video segmentation）和DAVIS2017上,本文算法的区域相似度与轮廓准确度的均值J&F分别达到了85.8%和78.3%,与对比的视频目标分割算法相比具有明显的优势。结论 通过合理且无冗余的历史帧信息利用方式,提升了算法对于目标建模的泛化能力,使目标掩码质量更高。     

基于车载视频监控的乘客检测及跟踪算法

针对公交车上乘客相互遮挡及光照变化明显的问题,提出一种基于头肩部边缘特征和局部不变特征的人体检测及跟踪算法。首先对待检测图像进行自适应阈值背景差分,实现乘客目标分割;然后用样本的梯度方向直方图(HOG)特征训练支持向量机(SVM)基础分类器,结合自适应增强(AdaBoost)算法提炼出最终的强分类器,对前景图像进行扫描实现乘客目标检测;最后提取目标区域和当前搜索区域的快速鲁棒性特征(SURF),通过特征点匹配实现乘客目标跟踪。实验表明,在乘客相互遮挡及光照变化明显的情况下,该算法仍具有高于80%的检测率和跟踪率,且满足系统实时性的要求,可用于客流计数。     

基于双线程LSTM在线更新的视频追踪算法

针对视频追踪中基于孪生网络的追踪算法在对有遮挡物或运动突变的物体进行追踪定位时会出现定位不准确的问题,设计了在线更新网络的视频追踪算法T ripL T.该算法采用循环神经网络进行目标位置的预测,并采用全卷积神经网络对目标进行相似度的判定.T ripL T算法可预测下一帧的目标位置,以摆脱遮挡物的影响,并且T ripL ...     

基于改进CycleGAN的视频监控人脸超分辨率恢复算法

针对有监督超分辨率算法训练过程需要大量成对图像、处理真实低分辨率图像视觉恢复效果差等问题,提出了一种基于改进CycleGAN的半监督算法Cycle-SRNet.首先,利用退化模型获得与真实低分辨率人脸相似的图像,用于训练网络参数;其次,通过重建模型恢复出具有真实效果的高分辨率人脸图像;最后引入感知损失函数保持人脸结构相似性,以更好地恢复面部特征.实验结果表明,该算法不需要成对的图像进行网络训练,在视觉效果上能够将模糊的视频监控低分辨率人脸图像恢复成清晰可辨的人脸图像,在FID、PSNR和SSIM指标上超越了SRCNN、SRGAN、CinCGAN等方法.     

基于马尔算法的高速公路视频监控图像能见度研究

根据高速公路沿线的监控摄像机,对监控视频画面中的图像进行采集,通过对视频图像特征的分析处理,建立图像与真实场景之间的关系,根据图像特征随着真实场景的变化,运用图像处理的方法如：灰度变换、图像分割和特征提取等对图像进行图像处理,提出运用马尔算法,分别提取出目标物与背景,并将其逐一进行背景差计算,能够准确的监控图像中汽车的位置变化,确定目标物的位置,进而判别出能见度的大小。     

一种基于分类的复杂场景背景更新算法

提出了一种基于分类的背景更新算法。对现有模板进行改进,提出一种生长模板来对差分图像中的目标点和噪声点进行检测。生长模板根据像素点局部特征自动选择生长方向,从而对目标点和噪声点进行判断。利用基于像素的背景更新策略,实现了目标遮挡区域的背景更新。实验证明了生长模板的有效性,该算法可以在复杂场景下实现背景更新。