自适应背景恢复差减算法

针对视频图像进行目标分割时,只对目标区域进行分析而未充分利用视频图像中的所有信息,本文提出了基于自适应背景恢复的差减算法。该算法可在背景未知的情况下,对任意运动目标都能实时、有效地进行自动分割。     

视频运动检测中基于蛇形的背景更新研究

为了检测运动物体,采用统计型背景更新,标注法填充,运用蛇形形变跟踪视频中的运动物体,设计了一个视频跟踪自动检测软件系统.通过对光照条件较为复杂的hall monitor视频序列中的运动对象进行了检测,验证方法有效.     

基于中值背景模型的运动目标自适应检测方法

目的 在保证准确性的前提下,降低运动车辆检测算法的计算量,加快处理速度,满足实时性要求,提出一种基于中值背景模型和自适应阈值的运动检测方法 .方法 基于当前帧与背景图像的差分图像,利用自适应阈值分别对差分图像的三个颜色通道进行二值化,从而实现运动目标的精确检测.同时,根据检测结果 ,采用中值更新策略实现背景图像的实时更新.结果 实验结果 表明,笔者算法可以从复杂交通场景图像序列中有效地检测出运动目标,并且算法计算量小,具有良好的鲁棒性与实时性.算法每帧处理时间比混合高斯降低43%,背景更新时间比一阶Kalman算法降低了45%.结论 算法能够很好地满足智能交通监控系统中运动车辆实时检测的要求.     

一种改进的自适应背景更新算法

针对当前背景更新算法的不足,提出了一种新的视频序列背景更新算法.利用分类的思想对噪声和目标区域分别检测,采用降噪和背景更新相结合的方法.消除了噪声积累导致的错误;利用基于像素的背景更新来实现更新策略.该方法对目标与噪声分类检测,对目标遮挡区域背景进行插值优化,实验结果证明该算法检测效果稳定.     

基于熵的静态背景分割下的运动物体提取

通过对图像序列中运动物体的提取方法进行探讨，提出了一种新的静态背景分割算法，根据交通序列图像的特点，适当修改了一些现有方法，将修改后的方法与新的静态背景分割算法相结合，形成一个完整的适用于交通图像中运动物体的提取方案。     

基于背景差分法的电网巡检运动目标检测技术

针对无人机对电网巡检过程中移动镜头下的目标检测问题,采用背景补偿与背景差分法实现了动态场景下的目标检测.建立了全局运动矢量模型,并利用SIFT特征点提取和匹配技术,完成了视频图像的特征点匹配,实现了移动镜头下的背景补偿.通过降维和局部匹配方式对SIFT特征点提取和匹配技术进行优化.结果表明,优化后的特征向量生成时间是原来的30%～40%,与经典SIFT算法相比,提取特征点的总时间是原来的30%～50%,该方法能准确检测运动目标并排除干扰.     

基于背景差分与时域差分相结合的运动检测算法

针对传统运动目标检测方法的缺陷问题,提出了一种背景差分与时域差分相结合的算法,通过对亮度值的判断,有效地获取了背景模型,并利用数学形态学的膨胀、腐蚀进行去噪．实验表明,这种检测方法是快速有效的．     

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．     

一种基于码本背景模型的运动目标检测方法

针对减背景算法中复杂背景下背景帧的提取问题,给出了一种码本背景提取方法。利用视频图像序列中的颜色和亮度信息,为每一个像素点创建一个码本,且码本随着其中码字的更新而更新,所有像素点的码本构成一个完整的背景。用当前视频帧和码本进行比较得到前景运动目标。结果表明：算法运算量小,适合做实时处理。     

基于边缘背景差法和Hough变换的公交乘客头部检测方法研究

为提高公交乘客检测的准确率,介绍了一种改进的背景差法——将当前图像和背景图像提取边缘再做背景差。该方法受光照条件变化和干扰物的影响较小,能够有效提取目标边缘;在此基础上通过Hough变换获得乘客头部的圆形轮廓,然后从视知觉角度分析并除去检测到的虚假轮廓,从而实现乘客头部的识别。实验结果表明,该方法简单,易于操作,识别率高,为公交乘客流量统计奠定了良好的基础。     

基于背景差与帧间方块编码差值法的运动目标检测

运动目标检测是视觉领域的重要研究内容,本文提出一种将背景差分与帧间方块编码差值法相结合的运动目标检测方法.通过帧间方块编码差值法区分出运动区域与静止区域;静止区域用来更新背景,运动区域与背景模型进行拟合,区分出运动目标和显露区.介绍了一种基于HSV颜色空间的阴影剪除算法.实验证明,该方法能够快速、准确的检测出运动目标并剪除阴影.     

一种基于空间信息的运动目标检测方法

针对现实生活中由于光照变化、背景噪声干扰、摄像机抖动等因素对运动目标的检测与识别存在巨大挑战的问题,提出了一种基于空间信息的运动目标检测算法。通过对像素点及其区域的亮度和角度差分等信息提取特征,建立背景模型,去除光照因素的干扰,比较当前帧和背景模型的相似系数确定前景区域,并且采用了自适应阈值的方法二值化前景图。实验证明,该方法能克服光照突变等复杂背景的干扰,实现对运动目标实时准确检测。     

基于动态减背景图像处理算法的可变形线性物体识别

围绕可变形线性物体（deformable linear objects,DLO）的检测、目标特征提取和动态操作时的故障诊断3个方面进行研究．首先,应用静态背景下常用的动态减背景方法实现了可变形线性物体的动态目标检测;进而对检测出来的目标物体进行插补,并加以标记,从而提取得到目标特征．最后,通过对提取出的特征点进行监控,获得目标物体在不同状态下的信息,并提供故障诊断的依据．结合以上图像处理算法,在带视觉系统的三菱PAIO机械臂平台上操作可变形线性物体,进行了实验研究．结果证明,该方法可以较好地监控可变形线性物体在运动过程中状态,并及时诊断故障的发生．     

基于Kalman滤波器的运动目标跟踪算法

运动目标跟踪是计算机视觉中的一个典型问题,如何能准确快速的跟踪目标是研究的关键。提出了Kalman滤波器结合Camshift的改进算法。首先选取一段视频图像序列,通过背景差分法快速检测出运动目标,初始化搜索窗口,用Kalmam滤波器预测目标位置,再用Camshift迭代算法计算目标最优的位置,将结果作为Kalman滤波器进行下一次预测的估计值。实验表明,当目标被严重遮挡或受到同色背景干扰时,本算法仍能快速准确的跟踪运动目标。     

一种基于背景重建的运动目标检测算法

根据视频序列的帧间信息，以平均亮度和图象能量为约束条件，提出一种改进的基于块的背景重建方法。利用重建得到的背景图象，通过背景消减实现了运动目标的检测，检测结果以运动目标的外接矩形表示。     

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.