一种基于块的校正码书模型*

针对运动物体检测研究的难点之一——复杂动态背景,提出一种新的基于块的校正码书模型。该模型利用HSV空间基于像素块建立校正码书, 它具有四个方面的特色：a）引入HSV颜色空间提高了前后景的区分度;b）利用像素块构造码书以克服动态背景对单个像素的影响;c）引入反馈校正机制实现自适应的码书更新,减小伪目标的生成;d）实施码书的小样本学习方法,以提高检测速度。提出测量检测效率的覆盖率—正确率曲线定性评价方法。包含该评价方法的定性和定量实验表明,本模型可以高效快速地检测出复杂动态背景下的运动物体。     

一种基于HSV颜色空间的新码书模型

为了有效消除复杂动态背景对运动物体检测的影响,提出一种新的基于HSV颜色空间的码书模型。该模型的特点是：1)引入具有较强前后景区分能力的HSV颜色空间,有效减少伪目标的检测;2)采用四元素码字,实现较前人九元素码字更快的训练和更低的存储;3)设计新的码字学习和更新策略,实现简单和快速的码字学习和运动目标检测。同时提出新的算法评价方法：覆盖率—准确率曲线,以反映运动物体检测算法对连续视频序列的检测性能。使用覆盖率—准确率曲线评价的实验结果证明,所提出的码书模型可以有效检测复杂背景下的运动物体。     

融合颜色矩和码书模型运动目标的检测算法

运动物体检测是视频监控系统的一个重要部分。背景减除是利用图像序列中的当前帧和背景参考模型进行比较来进行运动目标的检测,其中背景模型反映了背景环境的信息。提出了一种新的基于码书的背景模型。在基本的码书模型的基础上,将HSV空间中的阴影检测算法融入背景模型,构建了一种颜色与亮度模型,使得背景模型对阴影有较好的处理效果。同时,提出了一种新的背景模型更新策略。实验结果表明,即使背景场景轻微运动和光照条件变化,该方法构造的背景也能有效检测运动目标。     

联合两种颜色空间的阴影检测算法

在视频监控的运动检测中,由于光照、风吹等影响,运动阴影常常被误认为运动对象。为了有效解决动态背景下运动目标中存在的阴影问题,提出了一种归一化的RGB颜色空间和HSV颜色空间相结合的阴影消除方法。该方法首先在归一化RGB颜色空间下用背景减除法得到运动目标,然后在HSV空间下对阴影进行检测和消除,从而得到真实运动目标。实验结果证实：该方法在运动目标检测及跟踪方面取得了较好的效果,对动态背景的视频,能准确、实时地检测出阴影并进行消除。     

基于改进Camshift算法的视频对象跟踪方法

针对Camshift算法限于简单背景下跟踪特定颜色目标的局限性,提出一种改进的Camshift算法.首先在HSV色彩空间建立目标的背景加权三维直方图,将视频图像转化成颜色概率图,然后结合颜色概率分布图与差分图像,根据目标运动速率大小自适应的赋予两者不同的权重,实现了复杂背景下的目标跟踪.实验结果表明,该方法是十分有效的.     

多尺度对称差分交通视频目标分割及阴影消除

本文针对固定场景条件下的视频图像序列进行运动目标分割,根据交通场景中同一运动目标在图像中不同位置的面积和速度不同的特点,采用分级分块多尺度对称差分法和帧间背景像素变化规律优化背景重建。然后利用背景差分的方法提取运动目标,在运动区域内利用HSV 颜色空间的阴影特点来消除阴影,准确提取出完整的车辆图像,为交通状态的分析提供实时准确的信息。     

基于分块和改进粒子滤波的运动目标检测方法

为了快速准确地检测到视频场景中的运动目标,提出了一种基于分块和改进的粒子滤波的运动目标检测方 法。首先,对视频图像序列分块并提取每个图像块的颜色特征;然后,用改进的粒子滤波对每个图像块进行操作,计算 出每个块对应的粒子的权重;最后,根据粒子的平均权重建立背景模型,提取运动目标。将分块和粒子滤波相结合,能 够在不降低检测精度的基础上,大幅减少算法的计算量,提高算法的执行速度。实验结果表明,该方法具有较好的鲁 棒性、杭噪性和抗光照变化能力,提取的运动目标更加完整。     

帧间差分与码书模型相融合的运动目标检测算法

针对视频检测对实时性和准确性的要求,提出了将帧间差分与码书模型相融合的运动目标检测算法.首先,选取某个t时间内采集到的视频图像作为训练图像,对图像的每一个像素点建立码书模型.把码书模型中表示前景的码书去除,余下的作为背景模型用于检测.检测运动目标时,先将待检测的相邻帧图像进行帧间差分,得到变化区域和没有变化的区域,将有变化的区域与背景模型进行拟合,区分出前一帧运动区域和目标运动区域.更新背景模型时以不同的更新方法对前一帧运动区域和目标运动区域进行更新.     

基于码书的运动目标检测方法

运动目标检测是视频监控系统需要解决的关键问题之一。背景差法是固定的单摄像头监控中常用的一种运动目标检测方法,其核心是背景的构造。提出了一种基于码书的背景构造方法,它能在有限的存储空间开销下使用长时间的图像序列估计背景模型。该方法首先对每一个像素点的抽样进行聚类分析,即构造初始的码书;然后根据背景模型的条件从中挑选出合格的码字构造背景码书;最后通过判断当前的像素值是否可以划归于背景码书以区分背景点和前景点,同时做相应的更新。实验结果表明,即使背景本身存在运动和光照条件发生变化,该方法构造的背景也能有效检测运动目标。     

基于低秩矩阵分解的运动目标检测

运动目标检测是视频监控任务的基础问题之一,针对灰度信息,目标检测存在的阴影识别能力差、检测精度低等问题,提出在HSV颜色空间下基于低秩矩阵分解的运动目标检测算法.首先将获取的RGB图像转为HSV颜色空间分量,分别对H、S、V通道构建低秩观测量,进行低秩矩阵优化分解,分离出不同颜色通道的前景和背景分量;组合H、S、V通道分量的前景图像,得到粗略的运动目标区域;再采用HSV颜色阴影去除去除前景图像中的阴影;最后经噪声去除和空洞的填充,检测得到准确的前景运动目标.实验验证表明,与其它方法相比,能够有效地提高运动目标检测的准确度.