基于颜色分割和LBP纹理检测的运动目标提取

针对传统LBP纹理检测在运动目标提取中对原地或缓慢运动物体容易误判为背景的问题,提出一种基于颜色分割和LBP纹理检测的提取方法。主要思想分为3步：根据LBP纹理检测结果映射得到宏块级粗糙运动目标;根据K‐means颜色分割方法得到颜色分类信息;根据提出的宏块交叠机制,将颜色信息与运动信息进行融合,得到最终的提取结果。对比实验结果表明,该方法在保持良好的光照鲁棒性和阴影抵抗力的同时,可以有效改善运动目标空洞、背景融入等问题,满足实时要求。     

基于局部纹理不变性的运动阴影去除算法

视频序列运动目标检测过程中,运动目标往往会连同其投射阴影一起被检测为前景,这不利于对运动目标的进一步分类、识别等高层次视觉处理。为了提高运动目标检测的准确性,提出利用局部纹理不变性去除运动目标阴影。首先根据阴影的亮度色度属性分割出疑似阴影区域,然后在疑似阴影区域采用增强的局部纹理描述算子(ILT)提取纹理特征,利用背景在阴影覆盖前后的纹理相似性来去除阴影,最后结合阴影的空间几何属性优化运动目标检测结果。实验结果表明该算法可以有效去除阴影,并且具有较好的实时性。     

结合区域颜色和纹理的运动阴影检测方法

在视频跟踪中,由于运动阴影和运动对象具有相似的物理特性,现有方法很难区分运动对象和运动阴影.为解决这一问题,本文利用区域间的颜色和像素亮度的关系进行运动阴影的检测,有效克服了以像素为最小检测单位时检测结构容易受到噪声影响的不足;在通过分析运动阴影的物理模型证明局部二值模式(LBP)纹理的光照不变性之后,利用局部二值模式...     

颜色和纹理特征的运动目标检测

针对复杂场景中运动目标检测这一难题,提出利用RGB颜色特征和尺度不变局部三元模式的运动目标检测算法。利用时域中值法得到估算背景图像并快速初始化背景模型。通过颜色特征、纹理特征相似性度量,融合得出背景概率网络,通过侧抑制滤波提高对比度分类出前景与背景像素,前景像素进一步进行阴影检测,将阴影点归为背景点,但不用于模型更新。将算法与GMM、SC-SOBS、SUBSENS算法在变化检测数据库中进行对比验证。实验表明,新算法在满足实时性的基础上,对动态背景,阴影和相机抖动等有一定的鲁棒性。     

基于多特征背景模型的运动目标检测算法

运动目标检测是视频处理的基础,而目标的阴影在很大程度上影响了目标的真实形状,干扰了真实目标的检测。本文提出了一个以混合高斯模型为基础,结合多特征的运动目标检测方法。将阴影消除算子、帧差、方差及彩色信息融合到背景模型中,能较准确地检测运动目标并消除阴影的影响。     

结合色度和纹理不变性的运动阴影检测

目的：在运动检测中,运动物体产生的阴影常常被错误地检测为运动物体本身,为了将阴影从检测结果中消除,本文提出了一种色度不变性和纹理不变性相结合的运动阴影检测方法。方法：首先从阴影的物理模型出发,直接在RGB颜色空间利用色度不变性来获得候选阴影区域,然后根据颜色信息对候选阴影区域进行分割,对每个子区域,利用一种基于局部二值模式的指标来度量其与对应背景区域的纹理相似程度,进而判断该子区域是否是阴影,从而得到最终的检测结果。结果：在公开测试集上的实验结果表明我们的方法可以有效地检测出运动阴影,相对于几种常用的阴影检测算法具有一定的优势。结论：本文将像素级水平和区域级水平阴影检测方法结合起来,提出了一种结合色度不变性和纹理不变性的运动阴影检测方法。实验结果表明,在多类复杂场景中,本文方法都能有效地将运动阴影检测出来,具有较强的鲁棒性。     

基于五帧差分和背景差分的运动目标检测算法

静态背景下运动目标检测的抗噪性能较差。为此,提出一种改进的运动目标检测算法。对原始图像进行预处理,将五帧差分和背景差分相结合,利用基于自适应背景模型的动态阈值,提取图像中的运动区域,并进行形态学滤波和连通性检测,最终获取运动前景目标。实验结果表明,该算法能完整提取运动目标,背景适应性强,实时性好。     

基于背景差分和三帧差分的水下运动目标检测

运动目标检测是计算机视觉中目标跟踪和目标分类的基础,其已经应用于水下机器人执行水下任务和海洋生态研究.水下环境中复杂的场景和不良的照明条件往往使对运动目标的检测变得困难.为了解决上述问题,我们提出了一种将背景差分和三帧差分相结合的方法.在这种方法中,首先,我们分别通过背景差分和三帧差分检测运动物体像素.接下来,我们对背景差分和三帧差分的结果进行"与"运算,背景差分提供了对象的信息,以补充三帧差分检测到的不完整的信息.最后,利用形态学处理来消除背景中由非静态物体引起的噪声.实验结果表明,该方法对从水下视频中运动物体检测,具有可靠并有效的效果.     

一种基于鲁棒局部纹理特征的背景差分方法

针对复杂场景下运动目标的精确检测这一问题,提出一种对噪声鲁棒并具备灰度尺度不变性的局部纹理特征描述子LBP_Center,将其与像素的颜色信息结合应用于背景建模中,采用随机抽样的机制更新模型,同时引入背景复杂度以去除多模态动态背景产生的噪点。在标准测试数据集上的实验结果表明,该算法对柔性阴影及光照缓慢变化具备良好的鲁棒性,综合性能更优。     

结合RGB颜色特征和纹理特征的消影算法

摘　要 在视频监控的运动检测中,运动阴影常被误认为视频对象。为了解决这个问题,提出了一种结合RGB颜色特征和纹理特征的运动阴影检测方法。首先,利用背景差和多帧差结合的方法,获得包含运动阴影的前景分割,在此基础上利用阴影区域中RGB特征的相似性(其RGB向量夹角较小)与局部二值纹理模式(Local Binary Pattern,LBP)相结合,进行阴影检测与去除。然后使用形态学的方法去除像素突变的边缘部分。实验表明,该方法在运动目标检测及跟踪方面取得了较好的效果,与其他消影算法比起来,速度较快,可应用于运动目标检测分割及跟踪等领域。     

基于对称差分和背景减的运动目标检测

通过对视频运动对象特点的分析,提出一种针对静态场景的运动目标检测算法。该算法采用一种改进的时间平均法初始化背景,在有目标的情况下也能构建出可靠的背景,并融合背景减法和多重对称差分法对背景进行自适应更新。实验结果证明,该算法计算简单,对光线变化具有适应性,能够完整地提取运动目标,改善了运动目标的检测效果,具有一定的鲁棒性。     

基于动态阈值对称差分和背景差法的运动对象检测算法

提出一种基于动态阈值对称差分和背景差法的运动对象检测算法.首先通过建立一个基于统计的可靠背景更新模型,由背景差法得到基本准确的前景图像;然后与用对称差分法得到的差分图像综合;最后得到完整可靠的运动目标图像.中间采用了一种动态的最优阈值获取方法,然后用形态学滤波和连通区域面积检测进行后处理,以消除噪声和背景扰动带来的影响,并用区域填充算法来填补目标区域的小孔,从而将视频序列中的运动目标比较可靠地检测出来.实验结果表明,该方法快速、准确,有一定的实际应用价值.     

基于对称差分的背景减法运动目标检测

提出了一种基于对称差分和背景差分相结合的运动目标检测方法。先通过多帧图像平均法取得初始背景图像,并结合采集到的当前帧图像和前一时刻的背景获得更新背景,采用背景减法获取前景目标;同时运用对称帧差法取得前景图像,用两种差分图像进行或运算,提取到运动目标,用形态学方法进行后期处理。实验结果表明,该方法能够有效地获取运动目标。     

基于时空背景模型的自适应运动目标检测方法

现有的视觉背景提取方法(ViBe)在背景建模时只利用了像素的空间信息,而忽略时间信息,降低了检测的准确性,且检测半径和背景更新的随机子采样因子都为固定常数,在动态背景干扰、相机抖动等情况下,检测效果不理想。针对这些问题,提出一种时空背景模型的自适应运动目标检测方法。首先,在ViBe方法中加入时间信息建立时空背景模型;然后,在检测和更新过程中,提出背景模型中样本的标准差能反映背景的复杂度,通过计算样本的标准差来自适应地改变检测半径和背景更新的随机子采样因子适应背景的变化。实验结果表明,改进的方法不仅能够在静态背景和光照均匀的情况下有效地检测出前景像素,而且对存在光线变化较大、相机抖动、动态背景干扰等情况也有一定的抑制作用,提高了检测的准确性。     

一种新的背景减运动目标检测方法

结合图像亮度归一化和二维交叉熵的思想提出了一种针对光照变化鲁棒性强的运动目标检测算法。该算法对每幅视频帧图像进行亮度归一化处理,采用一种改进的均值滤波法初始化背景并自动进行背景更新,这种改进的方法在初始化期间有目标出现时仍能得到满意的背景图像,利用二维交叉熵的思想自动选取阈值对背景减得到的差分图像进行分割以检测出视频序列中的运动目标区域。实验结果表明：该运动目标检测算法实时有效,且对光照变化具有很强的鲁棒性。     

基于背景减除法的视频序列运动目标检测

视频序列中运动目标的检测是目标识别、标记和追踪的重要组成部分,背景减除法是运动目标检测中被广泛应用的算法。针对光线变化、噪声和局部运动等影响运动目标检测效果的问题,提出一种基于背景减除法的视频序列运动目标检测算法。该算法结合背景减除法和帧间差分法,对当前帧像素点的运动状态进行判断,分别对静止和运动的像素点进行替换和更新,采用最大类间方差（Otsu）法对差分图像进行目标提取,并使用数学形态学运算去除目标中的噪声和冗余信息。实验结果表明,所提算法对于视频序列中运动目标的检测具有较好的视觉效果和较高的准确度,能够克服局部运动以及噪声等缺陷。     

基于边缘差分的运动目标检测方法

针对视频序列中的运动目标检测问题,提出了一种新的基于边缘差分的运动目标检测方法.通过改进的边缘检测算法提取视频序列中相邻帧的边缘图像并作差分,采用改进的Otsu法对差分图像进行阈值分割,得到运动目标检测的结果.结合Prewitt算子和Sobel算子改进的边缘检测算法能够获取纹理丰富、细节显著的边缘图像,边缘差分结果更加理想;改进的Otsu法联合类内方差能够很好地抑制噪声,保留更多的纹理细节.实验结果表明,提出的方法能够提取更加完整的目标区域,对背景噪声更加鲁棒.与最近一些同类算法相比,在背景运动和光照变化条件下,该方法具有更加优越的运动目标检测性能.     

基于朗斯基函数的混合高斯模型运动目标检测*

针对传统的混合高斯模型在进行运动目标检测时存在拖影和性能差的缺点,本文提出了一种融合朗斯基函数和帧间差分法的混合高斯背景建模算法。该改进算法通过朗斯基矩阵行列式判断相邻像素间空间域相关性,以此增加模型参数更新条件,改进模型参数更新机制;并利用帧间差分法检测运动目标轮廓的灵敏性,将两种检测结果布尔或运算,完善目标轮廓。实验结果表明,该改进算法对拖影现象达到很好的抑制作用,并使算法检测性能得到提高。     

基于改进混合高斯模型的运动物体检测研究

针对传统高斯建模的初始化问题、参数值的计算依赖于先前所有帧和零散噪点较多等问题,提出了一种改进混合高斯模型的方法,即在初始化每个像素点时采用邻域特性和中值滤波相结合的方法,用来获取更接近实际的初始背景。同时对背景模型的更新提出了改进方法,在原有的背景排序基础上增加“定时清零”策略,使新加入的像素点能快速匹配。最后对特定区域的学习速率进行重新设定,再结合像素点的空间分布特性,达到消除零散噪点和部分空洞的目的。实验结果表明,与传统的混合高斯模型相比,本文算法能准确的检测出运动物体,并对阴影和噪音有一定的抑制作用。     

基于聚类的背景建模与运动目标检测方法

为克服目前动态背景建模方法中计算量和存储量大的问题,提出了一种基于聚类的动态背景建模与运动目标分割方法。由于动态背景下每个像素的取值在时间轴上呈多峰分布形式,因此将每个峰看成一个子类,用聚类技术快速实现了动态背景的建模与更新,然后利用建立的背景模型快速、准确地实现运动目标的分割。实验结果表明：提出的背景建模方法能有效捕获并适应背景的动态变化,可显著降低目前动态背景建模方法的计算量和内存需求量,易于在基于DSP 或 FPGA等硬件系统上实时实现。