面向Hadoop集群并行处理的复杂交通环境监控视频中运动目标检测方法

复杂交通环境视频中运动目标的自动检测是智能视频犯罪侦查系统的关键技术之一。本文提出了一种在Hadoop集群上对复杂交通环境视频中的运动目标进行检测的方法——OHMOFD方法,该方法是对帧差法进行改进,有效地克服了传统帧差法检测运动物体时容易出现孔洞的缺点并适合Hadoop集群并行处理。OHMOFD方法在Hadoop集群上实现了一层次并行运动目标检测。实验表明,车辆行人运动目标检测效果较好,检测效率也比运行在PC单机上的串行检测算法效率有明显提高。     

车辆视频检测及阴影去除

针对智能交通系统的车辆检测问题,提出了一种运动车辆检测及阴影去除的方法。采用基于背景差与帧间差的方法来检测运动视频中的车辆,对背景差和帧间差检测出的车辆进行或运算得到运动目标。再对检测出的运动目标进行形态学处理,并结合色彩及阴影统计信息建立阴影模型,去除阴影。实验结果表明,该方法能够快速、准确地在动态视频中分割出运动车辆和阴影。     

一种道路车辆监控视频中的关键帧提取方法

针对道路监控视频中特定车辆图像序列的关键帧提取问题,在运动对象检测的基础上,提出一种关键帧提取方法。将积分通道特征和面积特征作为图像特征描述子,结合Ada Boost训练分类器,实现道路监控视频车辆序列图像中关键帧的提取。通过运动对象前景检测技术获得出现在监控区域的运动车辆最小外接矩形图像序列,选择满足监控分析需求(车牌清晰度高,能判断车型)的若干帧作为正样本,其他不满足监控分析需求的作为负样本,提取样本图像的面积特征和积分通道特征,利用Ada Boost方法训练得到一个分类器,使用Ada Boost分类器对测试样本进行分类,根据打分规则提取关键帧。实验结果表明,该方法能提取运动车辆从进入到离开监控区域的序列图像帧中最清晰的图像,实现道路车辆监控视频分析数据的有效压缩。     

基于彩色空间的背景帧差法视频车辆检测

视频检测的研究是交通参数采集的主要问题,核心是对运动目标的检测。为克服传统基于灰度的背景帧差法所存在的缺陷,提出了建立在YCbCr彩色空间的背景帧差法检测运动目标,分割阈值采用基于迭代的最佳阈值的确定方法,并提出了梯度极值法得到最清晰、完整的车辆进行车流量的统计。经仿真结果表明提出的车辆检测算法不仅能够取得很高的检测精度,而且算法简单、运行速度快。     

基于运动目标特征的关键帧提取算法

针对运动类视频特征不易提取且其关键帧结果中易产生较多漏检帧的问题,提出基于运动目标特征的关键帧提取算法。该算法在强调运动目标特征的同时弱化背景特征,从而防止由于运动目标过小而背景占据视频画面主要内容所导致的漏检和冗余现象。根据视频帧熵值将颜色变化明显的帧作为部分关键帧,对颜色未发生突变的帧根据运动物体的尺度不变特征变换（SIFT）获得帧内运动目标的特征点;最后分别根据帧熵值及运动物体SIFT点分布提取视频关键帧。实验表明该算法所得关键帧结果集不仅漏检率较低且能够准确地表达原视频内容。     

基于高斯混合模型的多车道车流量检测算法

研究视频的城市交通路口车流量检测准确率的问题,由于车速过慢,有效性差.针对目前的车流量检测算法仅限于单车道车流量检测及准确率低的问题,提出了基于高斯混合模型的多车道车流量检测算法,在交通路口的视频中设定所要检测多个车道的检测带并根据车道线划分车道,运用高斯混合模型对检测带进行背景建模,结合背景差法提取运动车辆,通过垂直投影方法解决车辆断层引起误检的问题,对车身宽度与阈值的比较判断车辆是否通过检测带,实现了多车道车流量检测.实验证明,多车道算法能有效克服断层引起误检的问题,检测车辆准确率高,实时性好,鲁棒性高,为智能交通灯控制提供准确参数.     

煤矿井下巷道变形巡检视频异常检测方法

采用智能视频巡检技术进行煤矿井下巷道变形检测时,常用的背景差分算法因要求输入图像具有良好的时空连续性而无法满足巡检视频背景建模要求。根据煤矿井下巷道变形巡检机器人匀速、定向运动及周期性采集视频数据的特点,提出一种巡检视频异常检测方法:结合巡检机器人定位信息对巡检视频分段并提取相应关键帧,采用均值哈希算法建立背景模型,对背景模型中图像进行特征跟踪以实现校正,之后将背景模型与关键帧进行差分运算,生成二值掩膜并进行去噪及连通处理后,输出异常检测结果并更新关键帧。实验结果表明,该方法在一定条件下可较准确地定位关键帧并检测出异常目标,检测速度约为50帧/s。     

基于GrabCut算法和四帧差分法的目标提取算法

提出了一种基于Grab Cut算法和四帧差分法相结合的运动目标检测和提取算法。首先,利用四帧差分法对视频中连续的四帧图像进行二次差分;然后,对差分后的图像分别做水平投影和垂直投影,计算运动目标区域;最后,使用Grab Cut算法分割目标区域得到完整的运动目标。实验结果证明,该方法既能精确和完整地检测出运动目标,又能有效地去除空洞、拉伸等现象。     

基于形态学的高斯模型和八邻域帧差法混合运动目标检测算法

针对视频中运动目标的提取问题,提出一种基于形态学的高斯模型和八邻域帧差法相融合的提取算法。该算法首先将视频中某些帧转化为灰度图,建立以混合高斯分布为基础的统计模型,并结合八邻域帧差法提取出运动目标的大致轮廓,然后利用自适应更新的高斯模型算法进行精确的减除,最后再进行形态学处理,从而使检测出的运动目标更加清晰完整。实验结果表明,该算法对含有低速运动物体、阴影较多的视频提取效果较好,具有很好的鲁棒性。     

基于灰度直方图的背景差目标检测算法

提出了一种基于灰度直方图的目标检测方法。背景差法和帧间差法是两种比较常用的目标检测方法。利用图像灰度直方图进行背景建模,然后提取视频序列中的一帧图像与背景模型进行对比分析,设定一个阈值来判断当前帧与背景模型之间的差异性,以此可以快速判断是否有目标出现。实验结果表明,此方法简单有效、计算复杂度低,能够快速地检测出视频序列中的目标。     

基于帧间差分和边缘差分的遗留物检测算法

遗留物检测是智能视频监控系统的核心功能,遗留物一般较小,所处环境复杂,传统的运动目标检测算法直接用于遗留物检测效果一般.提出了一种基于帧间差分与边缘差分的遗留物检测算法,首先进行帧间差分得到运动目标区域,然后将当前帧图像和前一帧的背景图像进行边缘差分运算得到运动目标的边缘,融合二次差分的结果即可得到运动目标的完整轮廓特征,最终通过判断运动目标在场景中的滞留时间是否达到或超过报警系统设置的阈值来标示遗留物,供智能视频监控系统处理.实验结果证明该算法实时性好且识别率较高.     

基于镜头内容变化率的关键帧提取算法

针对含有运动目标的视频采用单一阈值提取关键帧时易出现漏检或冗余的情况,提出基于镜头内容变化率的关键帧提取算法。根据镜头相邻帧差和与镜头平均邻帧差的变化特点定义镜头内容变化率,由该变化率确定关键帧提取的高、低阈值,实现自动提取一到多帧关键帧。实验结果表明,该变化率对视频帧的内容变化有较好的描述能力,提取的关键帧具有很好的代表性。     

一种基于帧差法的夜间车辆检测方法

受光强变化大、照度低以及车灯光晕等影响,夜间环境下车辆视频检测相对白天比较困难;文中采用帧差法求感兴趣区域(Region of Interesting,ROI),抑制夜间车灯光晕;并引入"疑是车辆"的概念。以消除车辆断层和随机噪声造成的车辆误检;同时,根据运动目标在车道内分布的离散度判断车型;对不同夜间交通场景进行测试,检测率均在96%以上;在广深高速公路实地应用中取得了很好效果。     

融合检测与跟踪的半自动视频目标标注

针对视频图像连续帧间的目标具有冗余性,采用手动标注方式耗时耗力的问题,提出一种融合检测和跟踪算法的视频目标半自动标注框架。利用手动标注的样本离线训练改进YOLO v3模型,并将该检测模型作为在线标注的检测器。在线标注时在初始帧手动确定目标位置和标签,在后续帧根据检测框与跟踪框的IOU（Intersection-Over-Union）值自动确定目标的位置,并利用跟踪器的响应输出判断目标消失,从而自动停止当前目标标注。采用一种基于目标显著性的关键帧提取算法选择关键帧。采用自建舰船目标数据集进行了改进YOLO v3检测性能对比实验,并采用舰船视频序列验证了提出的视频目标半自动标注方法的有效性。实验结果表明,该方法可以显著提高标注效率,能够快速生成标注数据,适用于海上舰船等场景的视频目标标注任务。     

基于改进混合高斯模型的自适应运动车辆检测算法

道路视频监控中经常存在车辆缓慢运动或短暂停留的情况。针对传统混合高斯模型背景减除法对环境突变敏感和对缓慢运动目标丢失信息的问题,提出一种改进的自适应车辆检测方法。首先,在参数更新前对像素值分类并根据分类结果设置模型更新率,抑制缓慢运动前景被训练成背景;引入一个跟踪环境变化的度量因子,当环境突变时实现背景减除和帧差法的自适应切换,滤除环境变化的干扰;最后通过生态学滤波得到准确的运动目标。实验表明,该算法对白天实时路况视频中的运动车辆具有较好的检测效果。     

基于分解的三维Otsu运动车辆检测方法

在户外交通环境下,采用传统目标检测方法容易产生大量噪声,传统三维最大类间方差(Otsu)方法能消除噪声,但是不能满足实时性。为此,提出一种基于分解的三维Otsu运动车辆检测方法。通过隔帧对称差分法得到2个差分图像,对这2个差分图像采用基于分解的三维Otsu法进行阈值分割,对这2个二值图像在使用数学形态学滤波后,求交集得到运动车辆目标。实验结果表明,该方法在视频帧出现不规则抖动的情况下,能实时和精确地检测出运动车辆。     

融合时域和分水岭信息的车辆检测算法

在实时视频图像车辆目标检测时,为了克服行进中车辆背景噪声和阴影带来的准确率低、漏检率高等问题,提出一种时空融合和内外标记的分水岭车辆检测算法。通过相邻视频三帧差法得到的时域运动变化信息结合Canny算子得到的边缘图像相结合,得到时域掩模图像。利用文中提出的基于二次重构、内外区域标记、梯度修正的分水岭空域算法对运动区域及其周围区域进行分割,解决了一般分水岭算法的过分割现象。将得到的结果进行投影,以提高运动状态下车辆的检测精度。实验结果表明,在车辆背景噪声和阴影的影响下,该算法的检测效果仍然较好,车辆漏检率降低到4.90%,算法的准确性、鲁棒性和适应性较好。     

一种基于差分算法的视频运动目标检测技术

依据目前基于视频图像的交通监控方式,提出了一种运动目标检测方法。该方法利用大津法（Otsu法）对连续三帧差分图进行分割,并对分割得到的运动目标进行数学形态学处理,以消除图像分割后出现的不连续和孔洞,最后,通过提取目标质心实现运动目标的定位。实验结果证明,此运动检测方法简单、有效、速度快,有较强的实用性。     

一种运动背景下移动目标的检测方法

针对全局运动视频序列中的目标检测,提出了改进的灰度投影算法.通过对灰度投影相关曲线的分析,根据其单峰性特征,提出了三点局域自适应搜索算法,该方法能够快速的估计出前后两帧之间的运动矢量.然后以参考帧图像背景为参照,映射当前帧的背景信息,以此补偿全局运动矢量,将连续几帧图像的相同背景稳定在同一幅图像的相同位置上,从而能够利用改进的连续三帧差分法准确地检测出运动目标,并根据目标的特征进行分类识别.实验结果表明,该方法能够有效地从视频序列中提取和识别出运动目标.     

视频中运动目标的实时检测和跟踪

基于视频的自动目标检测和跟踪是计算机视觉中一个重要的研究领域，特别是基于视频的智能车辆监控系统中的运动车辆的检测和跟踪。提出了一种自适应的背景相减法来分割运动物体，为了准确地定位运动车辆的区域，采用差分图像投影和边缘投影相结合的方法来定位车体，同时利用双向加权联合图匹配方法对运动车辆区域进行跟踪，即将对运动车辆区域跟踪问题转化为搜索具有最大权的联合图的问题。该算法不仅能实时地定位和跟踪直道上运动的车辆，同时也能实时地定位和跟踪弯道上运动的车辆，从实验结果看，提出的背景更新算法简单，并且运动车辆区域的定位具有很好的鲁棒性，从统计的检测率和运行时间来看，该算法具有很好的检测效果，同时也能满足基于视频的智能交通监控系统的需要。