基于分块背景建模的运动目标检测技术

研究了视频监控系统中的目标检测技术,在分析比较几种目标检测算法的基础上提出了一种使用分块处理的方式建立初始背景模型的方法。该方法对视频序列图像中的噪声有较好的抑制作用,并且能够有效地克服因平均而造成背景模糊和阴影残留的缺点。为适应背景变化,在背景更新方法中结合三帧差分寻找像素值变化较大的像素点进行自适应更新。仿真结果表明,在背景减除中使用该方法能够快速、完整、准确地检测出运动目标。     

一种有效的两阶段视频图像处理方法

传统混合高斯模型是背景估计中常用的方法,但传统混合高斯模型一般为每个像素分配固定的高斯分布个数,从而造成了背景形成速度的减慢和系统资源的浪费;同时也存在着高斯模型背景建模中的缓慢或滞留运动物体造成目标误判现象的问题,即所谓的空洞问题.文中提出了一种有效的两阶段视频图像处理方法.该方法在第一阶段根据像素点的优先级大小自动地调节高斯分布的数目,在第二阶段首先对像素点进行所属区域的划分,进而对目标区域和非目标区域采取不同的更新手段.通过实验表明,采用该两阶段视频图像处理方法能明显的改善背景建模的速度,也能有效的解决提取目标出现的空洞问题,从而验证了该算法的有效性.     

基于改进高斯混合模型的运动图像目标检测算法

运动图像目标检测指的是从序列图像中将变化的目标从背景中分离出来,高斯混合模型可以对视频序列图像的前景和背景进行分类,再利用背景减除实现运动目标的检测。提出一种基于改进高斯混合模型的优化背景建模方法,该方法首先利用3×3模板对序列图像帧中的像素进行类似卷积的均值计算,然后利用相邻均值的差提取均差因子自适应更新图像的均值。在此基础上,设计了自适应学习率和学习速率,利用改进高斯混合模型实现序列图像的背景建模。改进模型不仅能有效减少数据计算量,同时可以降低在相似区域像素计算的时长,大大加快背景建模速度。实验结果表明,改进模型在目标检测、算法执行速率等性能指标上都有更好的表现,能满足实时检测要求。     

基于改进的单高斯背景模型运动目标检测算法

针对传统单高斯背景模型(SGM)存在的背景模型不能很好地自适应背景变化、目标检测不完整的问题,提出了一种改进的单高斯背景模型运动目标检测算法,该方法结合单高斯背景模型和mean shift原理对运动目标进行检测。取前N帧视频样本的均值作为初始背景模型,对当前帧图像进行运动目标的初检测,根据单高斯背景模型更新原理用当前帧图像对检测为背景的点进行背景模型更新,对更新后的背景模型中不属于背景点的像素点进行mean shift修正,将进行mean shift修正后得到的背景模型作为最终的背景模型,再通过背景差分法最终检测出运动目标。实验表明,改进的算法能很好地克服背景模型不能自适应背景变化的缺点,目标检测完整度比传统的单高斯模型高。     

改进高斯混合模型的运动目标检测算法

传统的高斯模型无法检测比较复杂的场景或速度较低的运动目标,因此提出基于改进高斯混合模型的运动目标检测算法.使用多个高斯模型表示运动目标图像内各像素点特征,并基于图像内各像素点与高斯混合模型相匹配则视其为背景点,反之为前景点原理,更新高斯混合模型.通过更新前景模型并计算短时稳定度指标,提高运动目标检测效果,通过确定高斯分...     

基于局部层次化混合高斯模型的视频序列运动目标检测

在视频分析的过程中,背景建模和运动目标提取是一个非常重要的问题.混合高斯模型是进行背景建模常用的模型之一.但是单纯运用混合高斯模型进行运动目标提取的效果并不是非常理想.本文提出了一种自上而下的局部层次化混合高斯模型,该算法首先确定更新区域,然后在区域中运用分块的混合高斯模型和点像素混合高斯模型进行背景建模和目标提取.实验表明该方法具有较好的处理效果,同时也提高了处理的时间效率.     

施工现场安全帽佩戴情况监控技术研究

针对施工工地需要统计和监控工人佩戴安全帽情况,提出一种基于计算机视觉的施工现场安全帽佩戴情况监控方法。首先用背景差法从获得的视频图像中提取出前景,并对其进行二值化将运动目标分割出来;然后再根据运动目标的特征通过尺度滤波等方法区分其是否为代表人的运动目标,对代表人的运动目标进行跟踪和标记;最后,在路面中间处设置两条检测线,当代表人的运动目标到达两条检测线中间时,通过检测其1/3部分中的像素点色度值分布情况,判断该人是否佩戴安全帽及安全帽的颜色。经实验结果表明,该方法能满足准确高效的要求。     

铁路视频监控中运动目标检测算法研究

运动目标的正确检测影响着运动目标能否被正确跟踪与分类,因此成为视频监控系统研究中的一项重要课题。文中对运动目标检测算法进行研究,实现对铁路沿线前方目标的有效识别,针对得到的视频序列,通过混合高斯模型进行背景建模,并与混合差分算法结合实现前景的提取与检测。通过与混合差法相比较,其仿真结果表明,该算法具有一定的可行性。     

基于减背景和混合差分的运动目标检测算法

针对固定摄像机条件下的视频监控问题,提出了一种基于背景相减法和混合差分法相结合的运动目标检测算法。该方法对彩色图像建立混合高斯模型,对背景模型进行实时更新;并对帧间差分法进行了改进,提出混合差分的思想。通过背景相减法和混合差分法的结合,采用形态学滤波的方法去除噪声点,检测到确切的运动目标。实验结果证明,文中提出的算法能准确地建立背景模型,既完整地提取运动目标,又适应复杂环境的变化,提高了运动目标检测的精确度和速度。     

基于注意力机制的高光谱图像异常目标检测

在航拍视频运动目标检测中，受到场景复杂度和目标多元化因素影响，导致目标检测精度受限，提出基于注意力机制的高光谱图像异常目标检测方法。建立多背景建模约束下的高光谱视频图像采集和参数识别模型，采用场景变化自适应跟踪方法分析目标运动特征参数，提取运动目标高光谱图像的感知场景背景信息、孤立像素点以及边缘特征量，根据孤立像素点的离群特性，采用注意力机制融合判断方法，提取高光谱图像异常目标点的差异性特征值，采用模糊度特征匹配和场景稠密度色彩分割方法，实现高光谱图像异常目标的动态检测和分离。仿真测试结果表明，采用该方法进行高光谱图像异常目标检测，在虚警率为0.09,检测概率0.94时达到了最好的检测效果，检测的平均耗时为16.34 s。     

基于改进surendra背景更新算法的运动目标检测算法

提出了一种改进的surendra运动目标检测算法,该算法可以自适应的调整背景更新速度。首先将第一帧图像作为背景图像,并利用改进的surendra背景更新算法根据每帧图像对背景图像进行更新获得可靠的背景。然后,将当前帧与背号作差,得到差值图像。使用自适应阈值对差值图像进行二值化处理,并利用形态学滤波对二值图像进行适当处理,这样运动目标就被准确地提取出来。     

基于视频流的运动人体检测和跟踪的研究实现

运动人体的检测和跟踪一直视频监控的核心部分。提出一种将检测和跟踪实时结合的跟踪方法,检测时采用背景帧差法和帧间差分法得到背景模型,跟踪时采用Kalman跟踪,将跟踪得到的人体和检测到的人体匹配。如果正确,则更新背景模型,否则继续搜索跟踪,及时更新背景模型。     

基于三角核估计模型的运动目标快速检测方法

在资源受限情况下,针对视频监控系统的实时性要求,在摄像头静止场景下,通过三角核估计法并结合改进的帧差法实现运动目标检测.首先通过帧差法对场景中物体运动进行判断,并结合背景减法对于运动点进行预判,对已判为预运动点部分采用三角核估计模型对目标进行精确提取,在保证精度的情况下显著减少了运算量.同时引入一种快速有效的背景模型更新模式,使三角核估计法的样本数目大大减少,节约了硬件资源,提高了系统性能.     

面向多区域视频监控的运动目标检测系统

为了实现视频监控现场多区域运动目标检测,分析了传统运动检测算法的不足,结合帧间差分法和背景差分法,提出背景动态更新的运动检测算法。该算法能自适应背景的变化,减少由背景变化造成的误检测。构建基于FPGA的视频监控系统,在FPGA上用该算法实现了640pixel×480pixel,30帧/s视频信号流的运动目标实时检测。系统提供了分区域运动目标检测的功能。检测区域的大小、位置和个数可通过简单的按键操作进行设定。测试结果表明,系统可以实时地对进入划定区域的运动目标进行检测和闪烁告警,且资源占用较少,适合在小规模的FPGA上进行实现。     

基于OpenCv的运动目标监控系统设计

随着图像处理技术和无线通信技术的发展,人们对视频监控的效果提出了更高的要求,智能监控以其实时性和智能性展现了其广阔的应用前景,越来越受到人们的重视。运动目标的检测是视频智能处理与分析的关键,也是其他后续处理的基础,文中使用减背景法与帧差法相结合的检测算法,通过调用短信收发的接口设计了一个智能监控系统,利用OpenCv技术实现了系统各个模块的功能。实验结果表明,该系统能较好地实现目标的检测与实时预警的功能,具有较好的稳定性与鲁棒性。     

Saliency detection in video sequences using perceivable change encoded local pattern

The detection of salient objects in video sequence is an active computer vision research topic. One approach is to perform joint segmentation of objects and background. The background scene is learned and modeled. A pixel is classified as salient if its features do not match with the background model. The segmentation process faces many difficulties when the video sequence is captured under various dynamic circumstances. To tackle these challenges, we propose a novel local ternary pattern for background modeling. The features derived from the local pattern are robust to random noise, scale transform of intensity and rotational transform. We also propose a novel scheme for matching a pixel with the background model within a spatiotemporal domain. Furthermore, we devise two feedback mechanisms for maintaining the quality of the result over a long video. First, the background model is updated immediately based on the background subtraction result. Second, the detected object is enhanced by adjustment of the segmentation conditions in proximity via a propagation scheme. We compare our method with state-of-the-art background subtraction algorithms using various video datasets.     

Efficient Resource Management for Cloud-enabled Video Surveillance over Next Generation Network

The next generation video surveillance systems are expected to face challenges in providing computation support for an unprecedented amount of video streams from multiple video cameras in a timely and scalable fashion. Cloud computing offers huge computation resources for large-scale storage and processing on demand, which are deemed suitable for video surveillance tasks. Cloud also provides quality of service guaranteed hardware and software solutions with the virtual machine (VM) technology using a utility-like service costing model. In cloud-based video surveillance context, the resource requests to handle video surveillance tasks are translated in the form of VM resource requests, which in turn are mapped to VM resource allocation referring to physical server resources hosting the VMs. Due to the nature of video surveillance tasks, these requests are highly time-constrained, heterogeneous and dynamic in nature. Hence, it is very challenging to actually manage the cloud resources from the perspective of VM resource allocation given the stringent requirements of video surveillance tasks. This paper proposes a computation model to efficiently manage cloud resources for surveillance tasks allocation. The proposed model works on optimizing the trade-off between average service waiting time and long-term service cost, and shows that long-term service cost is inversely proportional to high and balanced utilization of cloud resources. Experiments show that our approach provides a near-optimal solution for cloud resource management when handling the heterogeneous and unpredictable video surveillance tasks dynamically over next generation network.     

基于地理坐标与视频图像关联映射的视频背景目标定位与标识方法

视频图像数据虽然能够逼真地展示空间信息,但是因缺少地理属性而不能直接与地理信息进行关联。先构建摄像设备姿态变化情况下的地理坐标与视频图像映射模型,并通过采用光轴纠偏的方法对不同倍率下视频图像坐标的偏移进行校正,根据地理坐标与视频图像映射模型,将监控可视范围内的地图POI信息通过转换之后在视频图像相应的背景目标位置上添加标识,实现对视频的背景目标的定位,进而增强视频空间的表达。