基于运动目标检测的自嵌入视频水印

为了在保证图像质量与算法鲁棒性的前提下,能有效保护图像的关键信息,提出了一种新的自嵌入视频水印算法.由于图像运动区域吸引人眼的注意力,并集中了监控视频的关键内容,该算法将视频中运动目标提取出来,进行类似JPEG压缩,再经过一种独特的随机置乱,嵌入到视频I帧的离散余弦变换(DCT)系数最低位（LSB）中.实验表明,此水印算法保持了较高的视频图像质量,对码率影响很小,在I帧局部被篡改的情况下仍可恢复图像,有效地保护了视频内容.水印具备一定的鲁棒性,视频在较高压缩率下嵌入水印后,可承受原码率90％的重新压缩.     

一种改进的视频运动目标检测算法

该文提出了一种改进的视频运动目标检测算法。该算法采用动态选取模型数的混合高斯的方法建立背景模型并实时更新,与当前帧比较进而提取出视频运动目标,通过扩展的区域生长法对运动目标进行定位。在背景差图像经过阈值化及形态学膨胀、腐蚀的基础上,定义扩展区域的大小,并设定区域内前景点个数的阈值,进行连通区域合并和前景区域定位。采用不同的视频测试序列,从检测效果及耗时上研究了改进的视频运动目标检测算法的性能。实验结果表明,该算法具有良好的检测效果和实时性能。     

基于聚散熵及运动目标检测的监控视频关键帧提取

针对公安监控视频检索中根据运动目标准确标注视频关键帧的问题,提出一种基于聚散熵及运动目标检测的监控视频关键帧提取算法。首先通过对视频内容的分析,提出监控视频聚散熵的概念。其次根据聚散熵对监控视频进行子镜头划分,再次根据运动目标检测对子镜头进行划分,从而提取视频关键帧。最后列举出算法在几种典型视频数据库中的实验结果及结果分析。实验结果表明该算法在关键帧提取的准确性和鲁棒性上都有良好表现,该算法针对公安监控视频检索需求,在缩短公安视频侦查时间及智能检索中起到支撑作用。     

基于序列图像中运动小目标检测

根据序列胶片图像中运动目标帧间相关特性,提出一种弱小目标检测的方法。采用图像积累的方法,提高信噪比,去除图像背景;采用自适应门限进行阈值分割,得到二值化的图像;利用帧间目标相关的特性去掉噪声点,检测出目标点。实验结果表明,该方法能够有效地提取出低信噪比下序列图像中的微小运动目标。     

一种视频图像中运动目标检测方法研究

针对序列图像中的运动目标检测问题,在独立分量分析的基本理论和算法的基础上,提出采用基于正交对称矩阵的快速定点算法对实际视频图像中的运动目标进行运动检测的方法。实验结果表明:该方法不仅能检测运动轨迹,还能提取运动目标的轮廓,并判断运动方向,是一种有效的运动目标检测方法。     

一种视频序列中运动目标检测算法

在现有方法的基础上,提出了一种基于Otsu动态阈值背景差法和三帧差法相结合的运动日标检测方法.首先通过改进的Surendra算法建立背景模型,并由Otsu动态阈值背景差分法得到二值图像,然后与三帧差分法结合,得到可靠的运动目标区域并进行背景实时更新.实验结果表明该方法满足视频序列运动目标检测的实时性和准确性要求.     

融合运动和统计特征的静态目标检测

为了解决大部分时间处于相对静止状态目标的智能监控,提出一种融合运动和统计特征的静态目标检测方法.该方法采用行列错位减图像的帧差来提取目标运动特征,根据目标模型和候选区域的统计特征匹配检测目标,利用运动特征和模板的相似性度量动态更新模板.通过积分图优化特征提取及对强光抑制,提高了算法的实时性和鲁棒性.     

视频图像中的运动检测

视频图像中运动物体分析关键的一步就是从连续的视频图像中提取出运动目标，即运动目标检测。传统的运动目标检测方法有3种：背景图像差分法、时态差分法和光流法，分析比较了它们的优缺点；在此基础上笔者采用了一种结合Sobel算子和自适应背景差分算法的运动目标检测方法；利用Intel公司开发的计算机视觉库OpenCV开发了一个软件，并进行了一系列实验。通过观察、比较实验结果可以看出，这种运动目标检测算法能够正确地检测出视频图像中的运动目标，而且在检测性能上优于普通的自适应背景差分法。     

基于视频处理技术的运动目标姿态检测与控制

为了解决运动目标姿态检测常出现判定背景动态细节为运动目标的问题,提出了基于视频处理技术的运动目标姿态检测与控制方法.通过贝叶斯决策方法与帧间差分法相结合,划分视频图像为候选前景与候选背景,并设置该背景为主成分分析方法的初始值,获取目标姿态实时检测结果,依据检测结果设计PD控制器,进而通过控制参数实现目标检测和控制.结果表明,本文检测距离误差小于3 mm,角度误差小于1°,对比方法的误差分别为3～5 mm之间和3.2°～4.0°之间,高于本文方法.所提出的方法具有较高的检测精度,可实现运动目标姿态的有效控制.     

基于差分法的运动目标检测设计

介绍了一种以差分法实现运动目标检测的设计.对比了常见的运动目标检测方法和图像处理技术,重点对帧差分法和开源AForge .NET框架进行了分析,利用AForge .NET框架设计实现了运动目标的检测功能.应用表明,该设计易于使用与扩展.     

一种复杂背景下的运动目标检测方法

提出一种复杂背景下的运动目标检测方法．它根据背景运动情况下,像素与它领域之间的相关性对实行运动目标的检测,消除由于背景运动所造成的错误检测,并采用自适应背景更新方法,提高算法的稳定性和可靠性．通过实验验证,本算法对光照变化、背景运动、前景和背景互化有很强的适应能力．     

一种基于边缘检测的运动目标检测新方法

基于帧间差分变化检测,运用多尺度形态梯度算子进行边缘检测,提出并实现了一种运动目标检测新方法.这种检测方法算法简单、运算量小,而且只使用了头两帧的信息,适合于实时应用.实验结果表明:此方法能有效地检测出运动目标.     

像素域运动对象提取算法的研究

针对像素域运动对象的提取,较系统地分析比较了现有主要算法各自的原理、提取效果及时间特性,为研究者在各种不同的场合选择不同的提取算法提供了依据。为使算法具有可比性,实验在同一Hall_Monitor序列上进行。然后,提出一种改进的、同时进行帧间差分和减背景的运动对象提取算法,其鲁棒性在于能对光照变化、运动物体的暂停,显露部分的背景区域等复杂情况作出正确判断处理。     

基于背景重建的运动目标检测算法

针对复杂背景下参考帧的提取问题,提出了一种改进的基于帧间差分的背景提取算法。该算法利用帧间差分将图像序列中的背景像素点提出来,从而确定背景帧;并利用序列图像背景点在时间上呈高斯分布,用“3σ原则”判断背景点是否发生变化来更新背景。实验结果表明,该方法可以有效的提取和更新背景,从而完整准确地检测出运动目标。     

一种基于变化区域检测的 运动对象分割算法

文章针对在变化区域内运动对象的分割，提出了一种基于块的帧差处理方法，对差分图象进行噪声分析和能量分析，利用块矩和能量的双重约束来检测变化区域。后续的空间分割时，在变化区域外接矩形内用区域生长法修正检测结果，取得具有精确边界的运动对象。实验结果表明这种算法兼顾了实时性和精确性，能有效地分割出视频序列中的运动对象。     

一种基于像素最小距离的视频对象分割算法

随着MPEG-4的发展，视频对象平面分割日渐成为人们所感兴趣的研究课题，为了使所需的视频对象具有更清晰的可视性，视频对象的自动分割就成为关键技术。本文给出了基于统计的自动视频对象分割方法，该方法首先利用统计的方法建立背景模型，然后按照减背景法分割视频对象。同时提出像素最小距离和总体像素最小距离准则来克服由于背景的微小变化而引起的前景对象的错误检测。     

数学形态学在运动物体检测后处理中的应用

在运动物体检测后的二值图像中,经常会存在细小噪声和内部空洞,不利于运动对象后期的分析和跟踪.运用数学形态学的方法对检测后的二值图像进行后处理,可以有效地解决这一问题.文中介绍了数学形态学的基本运算和运动物体的检测方法,并给出了数学形态学后处理的实验结果.     

基于HSV颜色空间静止背景中运动目标的检测算法

针对固定场景视频序列中的彩色运动目标检测,采用HSV颜色空间表示视频原始帧,使用自适应背景更新在原始帧中提取V 分量建立背景帧,利用背景差分法对视频序列进行运动检测,在运动区域二值化时结合原始帧中的H 分量对运动区域进行筛选,从而得到特定运动目标被点亮的前景帧。实验结果表明,该算法能够有效地实现在静止背景、多运动目标共存的视频中检测出特定颜色的运动目标。     

基于内容的MPEG4视频对象提取技术研究

阐述了基于内容的MPEG₄视频对象提取技术原理及国内外最新研究情况,详细讨论了典型的视频对象提取技术,从实验角度进行了比较、分析与评价.最后提出了视频对象提取技术存在的问题及对下一步研究前景作了展望.