复杂背景下直线目标的一种动态检测方法

探讨了复杂背景下具有固定特征的直线目标的检测问题,提出了一种基于直线目标特征的检测算法,并指出了该方法的优点。实验结果表明,该算法结构简捷有效,鲁棒性好,能在复杂背景的条件下快速分离出背景和目标直线。     

一种基于背景模型的运动目标检测与跟踪算法

本文提出了一种静止摄像机条件下的运动目标检测与跟踪算法．它以一种改进的自适应混合 高斯模型为背景更新方法，用连通区检测算法分割出前景目标，以Kalman滤波为运动模型实 现对运动目标的连续跟踪．在目标跟踪时，该算法针对目标遮挡引起的各种可能情况进行了 分析，引入了对运动目标的可靠性度量，增强了目标跟踪的稳定性和可靠性．在对多个室外 视频序列的实验中，该算法显示了良好的性能，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．     

复杂背景中一种特定运动目标检测与跟踪方法

针对复杂环境对运动目标检测与跟踪产生的不利影响,提出一种自适应运动能量阈值结合精简彩色SIFT描述子的特定运动目标检测与跟踪方法。运用自适应运动能量阈值方法自动滤除复杂环境干扰以完成运动目标检测,由此形成目标匹配搜索域,并给出经主成份分析及精简后的彩色SIFT描述子( PCA-CSIFT )进行目标匹配,从而实现特定运动目标的连续跟踪。实验结果表明,在复杂环境下,运动目标检测方法对目标总量变化不敏感,错误率始终稳定在6.5%~34%之间。 PCA-CSIFT算法在保持高可区分性的同时错误匹配率为25.33%~28%,平均每帧处理时间不超过0.26 s,具有较好的鲁棒性与实时性。     

一种复杂海面背景下的红外舰船目标检测方法

针对传统目标检测方法只能应用在缓慢变化背景中的不足,文章从分析背景与目标的不同成像特性入手,提出了一种复杂海面背景下的红外舰船目标检测方法.该方法利用成像目标与背景的不同梯度特性,构造多向梯度检测函数来区分目标与背景,并对多向梯度算法执行结果利用灰度形态学滤波来进行背景泄漏噪声抑制.利用实际拍摄的红外图像对该算法进行了实验并与传统分法进行了比较,结果表明利用该方法能有效地检测出高起伏海面背景下的舰船目标.     

复杂背景下遥感图像密集目标检测

遥感图像中的目标排列密集,常见的检测算法难以较好地区分密集目标,同时目标所处背景复杂,导致在模型生成的特征图中,存在高响应的背景噪声,容易带来错误的检测结果。针对上述问题,在CenterNet算法基础上,提出一种改进权重分配的目标检测算法。在计算热力图损失的过程中,设计一种改进权重分配策略,加大目标边缘区域回传的损失,促进网络对密集目标边缘的学习,减少算法将密集目标认定为单个目标的概率;在CenterNet网络结构中,添加语义分割模块,让网络模型学习每一个目标的分割图,通过分割图抑制特征图中高响应的背景噪声。在DOTA数据集上进行实验,改进算法均值平均精度（mAP）达到68.56%,优于其他方法,和原CenterNet算法相比,mAP提升了6.53个百分点。实验结果表明,改进的CenterNet算法能更好地适应复杂背景下的密集目标检测。     

一种改进的基于背景差分的运动目标检测方法

针对传统运动目标检测方法存在的缺点和不足,在对现有目标检测算法进行分析对比的基础上,设计并实现了一种简单有效的目标检测方案。首先提出了一种基于像素灰度归类和单高斯模型的背景重构算法,进而以此为基础采用背景差分法进行目标的检测,同时采用分层背景更新算法较好地解决了"拖影"和光照大面积变化的情况,最后给出了一种解决阴影的简单算法。实验结果表明,该算法高效、快速,可以满足实时检测的需要。     

复杂背景下弱小目标的检测*

复杂背景下低信噪比弱小目标的检测是当今目标捡测的一个热点课题。为了检测到弱小目标,首先对图像进行复杂背景抑制,以达到抑制背景、提高信噪比的目的,然后比较三种方法的背景抑制能力,最后对抑制效果好的图像进行图像分割来进行弱小目标检测。     

一种改进的运动目标检测方法

视频序列中的运动目标检测是计算机视觉、视频监控等领域的关键问题。背景差分法是目前运动目标检测中最常用的一种方法．而构造一个自适应更新的背景模型是背景差分法的核心。利用运动目标图像变化比背景图像变化要快的特点,提出了一种改进的构建并实时更新背景图像的方法。实验表明,该方法计算量小、实时性好、并且能够确保较好的检测精度。     

基于ViBe的复杂背景下的运动目标检测

ViBe算法简单、快速,具有较好的前景检测性能,是运动目标检测和背景建模的主要方法之一。但是在动态背景、相机抖动等户外视频中仍存在噪声和干扰等问题,导致对前景运动目标的检测不准确。针对此问题,提出用像素帧差值代替像素值来初始化背景样本模型的方法,并根据背景动态变化自适应更新阈值来分割前景与背景。实验结果表明,改进算法提高了前景检测的准确性,对噪声干扰表现出了良好的鲁棒性。     

一种视频序列中的运动对象自动分割算法

提出了一种自动、准确的运动对象分割算法。首先通过直方图拟合获得准确的背景噪声方差,克服了以往只能依据经验设定背景噪声方差的缺点,并使用显著性测试技术有效地对帧差图进行二值化,确定出运动区域。然后进行形态学和对称差分处理消除噪声及显露背景,获得初始运动对象。但由于分割结果不够精确,再使用梯度向量流场作为外力的改进活动轮廓算法得到运动对象精确轮廓。实验结果表明,该方法能够得到运动对象精确的轮廓,并且具有调整参数少,抗干扰能力强,可并行处理等优点。     

动态背景下的运动目标检测

针对动态背景下运动目标检测的问题,最大限度地降低背景对运动目标检测的影响,提出了一种基于相位相关法和傅里叶梅林变换的动态背景下运动目标检测算法.动态背景下运动目标检测的主要部分是背景运动补偿,首先利用相位相关法和傅里叶梅林变换估计全局运动参量,然后根据全局运动参量利用双线性内插法进行背景匹配,最后对配准后的图像利用帧间差分法提取运动目标.实验表明,该算法具有一定的鲁棒性,能有效地检测动态背景下的运动目标.     

基于SILTP纹理信息的运动目标检测算法

精确的运动目标检测是许多视频分析技术的前提。提出了一种基于背景减除的运动目标检测算法,该算法利用尺度不变三值模式(SILTP)进行纹理特征变换,并对视频序列的第一帧进行快速的背景模型初始化。对于背景模型的建立,直接采用SILTP纹理特征值,而不是计算其像素分布。最后结合像素的空间信息,采用随机替代的策略来更新背景模型。在wallflower测试集上的测试结果表明,与其他算法相比,该算法在满足实时性的基础上具有很好的检测效果,特别是在阴影的去除及光照的突变上有很好的鲁棒性。     

运动目标检测算法的探讨

运动目标检测是实现目标跟踪、交通监控、行为分析等任务的基础。但由于运动目标的提取易受到背景、光线变化、阴影、运动速度等因素的影响而造成失败,所以如何更好的实现运动目标检测具有相当重要的意义。该文从运动目标检测的基本概念出发,探讨了运动目标检测的广泛用途、目前所面临的主要问题与困难、实现运动目标检测算法的基本分类,并结合近几年公开发表的一些算法与实现对当前主流运动目标检测实现方法的基本思想和最新进展进行了分类综述,讨论了各类方法的主要优缺点,并展望了该领域未来的发展趋势。     

基于改进视觉背景提取算法的运动目标检测

针对经典视觉背景提取算法因初始帧存在运动目标易产生鬼影以及对扰动背景适应性差的问题,提出一种改进ViBe算法;利用改进三帧差分法和最小外接矩形定位初始帧运动目标,并通过局部初始化的方法进行鬼影抑制;在背景模型初始化阶段,定义灰度相似函数从时域和空域信息中中等比例选取像素点建立背景模型,增强背景模型的鲁棒性;在前景检测检测阶段,通过平均差法衡量样本集合的离散度,构建自适应分割阈值代替原有的固定分割阈值以适应背景扰动;实验表明,改进算法可以有效抑制鬼影产生并且提高算法在扰动背景下的适应性和检测准确度。     

基于自适应分块和SSIM的运动目标检测

研究了目标检测方法。针对传统背景更新方法易受噪声干扰、算法执行速度慢等弊端,对背景差分法予以改进,提出一种基于自适应图像分块和结构相似性(SSIM)的运动目标检测方法。根据视频最初几帧得到初始背景模型,再对视频后续的每帧进行自适应分块处理,利用相邻帧对应分块的结构相似性计算局部更新率,建立背景模型,将背景与当前帧差分即得到运动目标。实验结果表明,与传统的背景差分法相比,改进后的方法具有更好的检测效果。     

一种新的基于ViBe的运动目标检测方法

针对ViBe运动目标检测算法在实际环境中存在无法消除鬼影、阴影等干扰的问题,结合三帧差分、边缘检测等技术,提出了一种ViBe改进算法。预处理阶段通过三帧差分获得真实背景并消除鬼影,运动目标检测阶段结合先验知识和边缘检测方法获得真实的运动目标以消除阴影,目标描述与跟踪阶段运用像素标记分割方法得到目标描述并实现目标跟踪。实验结果表明,新方法在消除鬼影、阴影等干扰方面表现出了优越的性能,在交通监控实时视频流中具有理想的车辆检测和跟踪效果。     

基于熵的运动目标检测

目前，运动目标的检测是计算机视觉领域中最活跃的研究主题之一。本文介绍了光流法、帧间差分等运动目标的检测方法，提出了一种基于熵的运动目标检测方法，实验结果表明了该方法的鲁棒性和有效性。     

航拍图像中运动车辆的检测与定位

提出了一种利用Huber函数和均匀稀疏采样估计仿射变换参数的方法，更加准确快速地进行背景运动补偿,为了克服噪声和和伪运动区域对运动目标定位的干扰，利用形态学滤波方法去除法照变化带来的伪运动区域及噪声。最后，采用仿射运动矢量聚类方法对运动目标进一步可靠定位，结合这3种方法，可以对航拍图像序列中的运动目标快速准确地检测与定位。