一种新的空时域滤波小目标检测方法

为了提高红外图像序列中弱小目标的信噪比和检测概率,同时考虑检测算法实时性,提出了一种新的基于空时域滤波的小目标检测方法.首先,以第一帧图像为参考帧,对各帧图像进行运动补偿;然后,对运动补偿后的各帧图像在空域进行方差加权信息熵滤波,对空域滤波后图像采取双向隔帧差分的时域滤波;最后通过检测差分图像中的"凸包",抑制背景和噪声,检测小目标.文中给出了实验结果与分析,并与其他方法作了比较.实验结果表明,上述方法能大幅度的提高目标的信噪比,检测小目标,且实时性好.     

一种特征点跟踪的运动目标检测

提出一种基于特征点跟踪的运动目标分割算法。在角点跟踪过程中,8等分匹配点邻域,构造方向子邻域提高匹配精度;提出一种新的聚类准则抽取最优特征子集估计运动参数;结合统计方法消除残差噪声;采用时域滤波滤除孤立区域检测出运动目标。对200帧可见光视频序列和100帧红外图像序列中运动汽车进行检测分割实验,检出率分别达到96%和94%。     

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。     

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.     

光电图像序列运动弱目标实时检测算法

针对光电探测图像序列中的运动弱小目标实时检测问题,提出了一种基于时空域融合滤波的弱目标检测算法。算法在空域上利用形态学Tophat滤波抑制背景增强目标,在时域上通过改进的帧间差分方法增强运动目标,两者融合后经自适应门限分割与航迹关联确认目标。实际录取数据分析结果表明,算法全面考虑运动弱小目标在时域与空域方面的特性,能更有效地从复杂背景中检测低信噪比运动弱小目标,减小了虚警率,抗噪声干扰能力强。     

基于模糊融合的红外弱小目标快速检测算法

提出了一种基于模糊融合的红外弱小目标快速检测新算法。算法以差分图像为基础,根据差分图像的噪声特性引入衡量像素点灰度变化程度的隶属度函数,将经过隶属度函数“模糊化”的数帧差分图像进行模糊“与”操作实现融合,按照规则对融合后的图像进行两次模糊推理,实现了弱小目标的检测。仿真实验结果表明,该算法保留了差分法良好的实时性,克服了确定检测阈值难和“硬”判决带来检测概率低的缺点,能快速有效地检测出低信噪比红外图像序列中的像素个数不小于4的弱小运动目标。     

复杂场景条件下的运动目标检测算法

针对复杂场景条件下运动目标检测方法存在的局限性,提出了一种基于运动检测和静止图像分割相融合的算法。采用相邻帧差法结合建立的假设检验模型进行自适应的运动目标检测;为消除孔径效应和噪声的影响,根据运动目标检测的结果,在当前帧利用区域增长法融合运动分割的结果。试验结果表明,算法能从复杂场景的图像序列中有效地检测和提取出运动目标,并有很强的鲁棒性。     

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 Kalman滤波理论的运动目标检测新方法

该丈研究了基于Kalman滤波理论的渐消记忆最小二乘法在图像背景重建中的应用,并将它应用在复杂背景的图像序列中,实现对运动目标的自动检测.首先用渐消记忆最小二乘法对复杂背景进行预测和更新,然后把当前帧与预测的背景模板做差分运算,最后采用自适应阈值分割技术实现对目标的自动分割.文中通过对序列图像的仿真,讨论了最小二乘法的存在问题,改进及适用情况,干扰的消除.试验结果表明,该方法具有很强的实用性.     

形态学和小波域杂波抑制的微弱目标检测

本文提出了一种基于形态学和小波域杂波抑制的微弱目标检测方法,该方法将图像序列进行形态擘tophat滤波,然后小波变换,再分别对各小波子带作平滑滤波,按各子带对滤波前后小波系数作差分运算,最后经过小波逆变换得到具有微弱目标的残差图像序列.用残差图像tophat结果估计目标潜在区域,在目标潜在域的约束下,对残差图像序列进行时空域数据融合,实现微弱运动目标的检测.仿真实验表明,该方法杂波抑制后残差图像具有很好的白高斯特性,且目标邻域信杂比(scNR)的平均增益比图像空域平滑滤波和图像频域低通滤波等典型运算的SCNR平均增益有明显改善,目标检测算法在5帧图像集成时能稳定检测出微弱运动目标轨迹.     

基于背景图像的视频图像压缩感知重构关键技术研究

目的针对视频序列相邻帧图像之间的相关性,提出了基于帧间差分的背景图像的视频图像重构算法。方法利用前2帧的重构图像求得背景图像,作为下一帧图像重构的先验知识。结果明显提高了重构图像的质量,同时也减少了重构图像所需时间。结论将帧间差分法与压缩感知重构算法相结合得到的视频重构算法,在视频图像重构的质量和速度上都有明显优势。     

基于HUBER函数的序列图像位移场估计算法

提出了一种基于Huber函数的序列图像位移场估计算法，与光流法不同的是，它能直接计算位移场，还能在一定程度上减轻对于变化剧烈的“运动边界”过渡平滑的问题，该算法采用共轭梯度法优化能量方程，并利用小波分解进行分级计算，能快速可靠地得到稳定的位移场，实验表明，对有较大弹性形变的图像，与块匹配法相比，该算法得到的平均匹配残差明显减少。     

采用小波框架的纺织品缺陷分类方法

针对纺织品缺陷分类,提出了一种基于判别小波框架的分类方法.该方法采用小波框架来描述纺织品图像的多尺度纹理特性,并设计与纺织品缺陷纹理相对应的小波框架函数来替代标准小波函数,来更有效地描述各类缺陷纹理的内在结构差异.在判别特征提取训练方法框架下,通过将小波框架函数和分类器两者的设计相联合,来实现缺陷分类错误概率的最小化.对8类纺织品缺陷的466个样本,以及434个无缺陷样本进行了分类实验,获得了95.8%的分类准确率.     

A framework for moving object segmentation using dynamic background modelling and shadow suppression in complex wavelet domain

In this paper, a framework for dynamic background modelling and shadow suppression under rapidly changing illumination conditions for moving object segmentation in complex wavelet domain is proposed which deals with the problems of ghosts, object shadows, noise, object distortion in dynamic background changes. The proposed method consists of eight steps applied on given video frames which include: wavelet de-composition of frame using complex wavelet transform; use of change detection on detail coefficients; use of dynamic background modelling on approximate co-efficient; cast shadow suppression; use of soft thresholding for noise removal; strong edge detection; inverse wavelet transformation for reconstruction and finally using closing morphology operator. A comparative analysis of the proposed method is presented both qualitatively and quantitatively with other standard methods available in the literature for four datasets in terms of various performance measures. Experimental results demonstrate the efficacy of the proposed method is better in terms of relative foreground area measure, misclassification penalty, relative position based measure, normalised cross-correlation, normalised absolute error, peak signal-to-noise ratio and pixel classification based measure as compared to other standard methods.     

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.     

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。     

基于L1范数优化路径的视频稳像算法

目的 为解决外包装行业对产品外观进行检测时,采集视频图像存在抖动失真的问题.方法 提出一种基于L1范数优化路径的视频稳像算法,采用SURF算法和FREAK算法对视频序列帧中的特征点进行检测和描述;然后,使用KNN算法和RANSAC算法对相邻帧间的特征点进行匹配和筛选;最后,通过L1范数优化算法对序列帧进行校正和去黑边处理,得到稳像视频.结果 在处理前景无运动和前景有运动的2类视频时,稳像前后视频的平均PSNR值分别提升了5.094 dB和4.273 dB,并且相对于常用的特征匹配算法,文中算法能显著降低相机路径的主动平滑因子.结论 文中算法能够有效地解决视频抖动失真的问题,提高抖动视频的质量,具有一定的鲁棒性.