基于视频图像的车辆实时检测系统

针对道路车辆的实时监测系统检测效率和精度较低的问题,设计一套实时监测系统。对视频图形进行灰度化、滤波及增强,并分割出统计区域。在分割出的图像中,设计统计众值法构建背景模型,设置阈值获得前景图像,采用Canny算子检测车辆边缘,将前景图像与车辆边缘叠加进行形态学运算以获取车流量统计结果。实验结果表明,该系统准确率高达98. 45%,能够满足智能交通系统对检测效率和精度的需求。     

基于背景模型的运动车辆检测算法研究

本文给出一种改进的背景初始化和更新算法,动态调整参数学习率,缩短了建立背景模型的时间,提高了背景模型适应环境变化的能力。采用Otsu阈值化方法自动选取全局阈值,完成二值化处理。结合形态学方法,去除噪音点的影响。实验表明,本文的方法能更快、更准确地检测出运动车辆区域。     

复杂场景下的实时运动目标检测

提出一种改进的混合高斯模型算法对复杂场景中的运动目标进行实时检测.该算法首先在模型更新过程中提出一种相似模型调整策略,通过对模型值接近的模型的均值、权值、学习速率等进行自动调整,从而使算法更快地适应光照变化;然后基于尺度不变性局部三值模式纹理特征对检测结果进行校验,以快速有效地消除运动目标的阴影和光照渐变及突变的影响;最后设计一种图像尺度变换方法以提高算法的实时性.与现有算法相比,本文提出的方法能更好地在复杂背景中稳定检测运动目标,同时显著提高目标检测的效率.试验结果验证了本算法的有效性.     

基于视频的车辆检测与跟踪算法研究

基于视频的车辆检测以及车辆跟踪是智能交通系统中的重要部分。本文在混合高斯背景模型的基础上,通过差分法分割出检测目标,利用检测目标的位置信息和色彩信息,找到与之最匹配的目标轨迹,从而实现车辆的跟踪。实验表明,该方法具有很高的检测与跟踪效率,同时能够满足智能交通系统的适时性要求。     

基于改进动态阈值的运动车辆实时快速检测方法*

提出了复杂交通环境下一种新的运动车辆检测方法。基于背景差分获得运动图像,利用自适应阈值选取方法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。根据检测结果,采用中值更新方法实现背景图像的实时更新。实验结果表明,这种基于改进动态阈值和自适应背景相结合的快速检测算法可以从复杂交通场景图像序列中快速有效地检测出运动目标,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。     

融合光流速度与背景建模的目标检测方法

为了克服传统基于像素的背景建模方法不能很好地描述背景运动的问题,提出了一种融合光流速度与背景建模的目标检测方法。结合像素的灰度信息、空间信息和时间信息计算出每个像素的光流速度,利用光流速度在时间域上的统计信息为背景建立光流速度场模型。利用建立的背景模型快速、准确地实现运动目标的检测。实验结果表明,融合光流速度的背景建模方法能有效地描述背景的运动,显著降低运动背景产生的噪音,鲁棒地实现运动目标检测。     

基于改进混合高斯模型和图形句柄的异常车辆检测

由于交通安全隐患在当下的生活中造成的不良影响越发严重,所以在步行街、校园等禁止车辆行驶的场景中,对异常车辆的检测具有一定的现实意义。针对利用混合高斯建立背景模型时易出现重影和空洞问题,提出了一种基于SSIM结构相似性的混合高斯建模的异常车辆检测,采用SSIM计算2幅图像像素点间的相似度,在高斯建模后进行二次背景建模,同时引入了指数函数来优化高斯建模过程中的权值更新过程,提高了更新速度。采用图形句柄函数优化连通域方法对前景区域进行异常车辆检测,能够检测出异常车辆且标注框更加贴近车辆形状。对580幅由视频分割得到的图像的实验结果表明,检测率可以达到90.3%。     

一种多级运动目标检测算法

为了提高Javed等提出的运动目标三级检测算法的稳定性,文中对其处理方法做出改进;在像素级处理阶段,采用每一个像素点及其邻域组成的集合作为特征矢量来描述图像,对YUV格式的彩色图像的不同颜色分量分别建立混合高斯模型,得到背景模型后,计算出Sobel边缘检测得到的边缘点的统计分布;在区域级处理阶段,将彩色图像分割与背景建模结合起来,得到具有精确边缘的运动目标,并利用边缘信息消除干扰目标;实验结果表明,即使在前景纹理、颜色比较一致且与背景对比不是很明显的情况下,改进后的方法也能完整地检测出运动目标.     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背景模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验,比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背蒂模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验．比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。     

基于亮度累加直方图的夜间车辆检测算法

为提高夜间环境下车辆检测的精度,提出一种基于亮度累加直方图的车辆检测算法,利用汽车尾灯的高亮特征检测自车前方车辆.通过统计大量的尾灯亮度信息得到分割阈值,由该阈值确定最大类间方差法的初始阅值.在亮度累加直方图中采用改进的最大类间方差法确定最佳分割阈值,并使用该阈值分割图像提取尾灯目标.结合尾灯的形状、位置和颜色等特征进行尾灯筛选和配对,以检测到的尾灯对为目标实现夜间车辆的检测.实验结果表明,该算法能够准确地分割出尾灯目标,对夜间前方车辆的检测率较高、适应性较好.     

车辆检测系统中背景提取与更新算法研究

为了提高车辆检测系统的车辆识别率,本文提出一种改进的Surendra背景更新算法,并在不同的环境下与系统原来使用的多帧图像平均背景更新算法进行实验比较。实验结果表明,新改进的Surendra背景更新算法比老算法有较明显的综合优势,能够荻取准确的背景,并可有效地进行背景更新,从而提高车辆识别率。     

一种基于多层背景模型的前景检测算法

动态场景中的前景检测是后继处理的基础和制约整个智能视频监控系统稳定性、可靠性的关键。为了在保证运动目标检测的基础上,进一步检测出前景中的静止目标并消除"鬼影(Ghost)",提出了一种基于多层背景模型的前景检测算法。该算法将背景分为参考背景和动态背景两层,分别采用单高斯和混合高斯模型进行背景建模。在线检测时,采用动态背景提取变化前景,用动态背景与参考背景之间高斯分布的差异提取静止前景,同时,通过逐层分析,比较输入像素与两层背景模型分布的相互关系,快速消除Ghost,降低虚警。实验结果表明,多层背景模型具有良好的检测性能和实时性,为后继跟踪、分类等处理提供了坚实的基础。目前,以该算法为核心构建了一个实时目标检测、跟踪系统,对图像大小为320×240的视频序列的平均处理速度达到15帧/s。     

基于视频的车辆检测系统设计

设计一种基于视频技术的嵌入式车辆检测系统。该系统采用DSP+FPGA硬件结构,通过FPGA进行图像采集控制,DSP进行图像处理,实现对运动车辆的检测。程序设计采用选择性背景更新法提取背景,并对运动目标的连通域检测算法进行改进。该系统应用于城市交通信号机的交通信息采集,在功能、可维护性等方面优于感应线圈等传统的检测方式。     

视频监控中特定区域入侵检测算法设计与实现

在视频监控中,需要对特定区域进行实时监控。为了克服传统的视频监控系统存在的数据量大、响应时间长和人类自身固有的弱点等缺陷导致的监控效率低下等问题,文中实现了一种智能区域入侵的检测算法。该算法是基于一种三层高斯背景建模的方法,在提取前景图像后,对前景图像进行阴影检测、全局灰度检测、目标完整性检测,同时在提取更加精确的前景目标后,分析运动目标轮廓,对目标的轮廓信息进行统计,计算出特定区域中入侵的人数。最后通过一段实际的监控视频验证了文中提出算法的有效性。     

一种联合图像分割与背景建模的运动目标检测算法

介绍了在混合高斯模型的基础上,采用每一个像素点及其邻域组成的集合作为特征矢量来描述图像,对YUV格式的彩色图像的不同颜色分量分别建立混合高斯模型,从而确定是否有变化发生.为充分利用空间信息,提出将彩色图像分割与背景建模结合起来,得到具有精确边缘的运动目标.实验结果表明,即使在前景纹理、颜色比较一致且与背景对比不是很明显的情况下,本方法也能完整地检测出运动前景.     

基于视频的车流量检测建模与分析

交通流量信息是智能交通控制中的关键成分。论文在对视频图像进行灰度处理、频域滤波和均衡化的基础上,结合直方图分析、背景差分、动态阈值二值化处理等图像分析过程,提出了双虚拟线平均法检测多车道车流量,并完成参数灵敏度检验。针对初识背景提取时间过长的问题,加入了跳帧法和像素块法,以提高系统效率。考虑到背景的时变性,采用选择更新法进行周期更新。实际结果表明,该方法兼顾了智能交通系统的环境适应性、检测实时性和统计精确性等要求,四个车道车流量统计的准确率均大于90％。     

基于高斯混合模型的海面运动目标检测

提出了一种基于变化检测的高斯混合模型参数估计方法,建立了象素点背景模型并用于海面运动目标的检测。在实验部分,将该方法估计的高斯混合背景模型的参数与基于迭代的EM算法估计的模型参数做比较,模拟实验的结果表明两者估计的参数值相差不大,而在对视频流中的象素点灰度值分布的逼近中,该文的方法比EM算法更接近真实的分布,并且在一定程度上减少了建立背景模型的所需的内存和计算时间。运动目标检测的结果表明,使用该方法建立的背景模型可以比较准确地检测到海面上的运动船只。     

Implementation of Real-Time Vehicle Tracking in City-Scale Video Network

Tracking unexpected warning vehicles is required for quick response to security incident. To realize real-time vehicle tracking in a large-scale video surveillance network, a geospatial and temporal connection (GSTC) model is introduced to model the connection between videos. The transition time between videos is modeled by a Gaussian mixture model (GMM). With the developed plug-ins based on GSTC and GMM, the video streams of defined geospatial neighbors are automatically called in with the video stream that the object appears in during the tracking process. Experiments show that the ratio of success of real-time tracking is largely increased.