视频图像中的运动目标检测

运动目标检测,是指从视频图像中将运动变化区域提取出来的检测技术,是图像处理技术的基础。在军事公安、交通管理、视频监控、医学检查等领域应用广泛。为了改进单独采用帧差法或背景减法进行运动目标检测时存在的不足,本文提出一种利用边缘信息的三帧差法与基于混合高斯模型的背景减法相结合的运动目标检测算法。该方法对视频图像中连续的三帧图像两两差分,对3个差分图像取均值,二值化,再经过形态学处理,并对中间帧进行Canny边缘提取,将二者进行"与"运算,即得到运动目标的边缘,用背景减法提取中间帧的前景,二值化,将其和目标的边缘进行"或"运算,经过形态学处理便可得到运动目标。实验结果表明,使用该方法目标检出率提高了9.7%~72.1%,误检率降低了0.090%~2.900%。这种二者相结合的方法相对于单一的检测算法能够有效、可靠地提取出运动目标。     

一种基于灰度相关性的背景更新算法

视频运动目标检测常用的方法是背景差分法,而背景差分法的关键是如何从视频中建立背景模型。IIR滤波器背景更新算法是采用较多的一种背景更新算法,但仍存在一些不足,因此,本文提出了一种基于灰度相关性的背景更新算法,并使用差分图像像素均值法获取阈值对图像进行分割,用基于形态学及连通性分析法对检测目标进行后处理。实验结果表明:该算法能够实得到的背景帧较为理想,能对运动目标进行准确的检测,具有很好的鲁棒性。     

基于视频图像的目标检测技术研究

本文基于常用运动目标检测方法进行了研究。首先阐述了视频监控系统中常用运动目标检测方法,并对Surendra背景提取算法及改进的帧间差分法进行了说明。运用对称差分法和背景差分法的融合方法进行运动目标检测,实验表明本文运用的方法对运动目标检测具有准确性与实时性。最后得出运用背景差分和帧间差分法的融合检测方法进行运动目标检测,可以得到好的目标检测效果的结论。     

一种改进的基于K-SVD字典学习的运动目标检测算法

提出了一种基于字典学习的运动目标检测方法.该方法首先使用多帧平均方法从训练样本中得到初始背景,再通过BP算法建立背景的初始稀疏表示模型;然后利用视频序列中当前时刻的近邻五帧图像,通过K-SVD方法自适应更新背景数据字典中的原子,使背景稀疏表示模型最优逼近近邻帧背景的观测值;最后将当前帧图像与背景模型进行差分,完成前景运动目标的检测.仿真和对比实验结果表明,对图像信号进行稀疏表示可以有效降低数据的冗余度,减小运行时间,同时在字典更新阶段利用近邻帧图像的相关性特性,能获得鲁棒性较好的背景字典,自动排除伪前景的干扰,从而提高视频序列中的运动目标检测的准确率.     

视频监控的目标检测研究

为了实时准确的提取出运动目标,提出了一种基于帧问差分的背景重建算法及基于运动前景的背景更新算法。该算法先对摄像头采集的视频序列进行帧间差分背景重建,通过自适应阈值的背景减法得到运动前景,并分辨出运动目标和伪运动目标,然后进行区域性背景更新。当背景发生整体或局部变化时,该算法能够快速地检测出背景变化,并采用相应算法实时更新背景。实验结果表明,该算法能快速、准确地重建出背景,从而能够完整地提取场景中的运动目标。     

基于灰度与关键帧光流检测的视频异常判断

视频监控系统在日常生活中日益普及，为了实现监控视频的智能分析，利用背景差分法检测并提取关注的前景目标，再结合光流算法分析目标的运动方向和强度，为了提升视频分析效率，先利用帧差欧几里得距离法计算帧与帧之间的相似度，提取视频序列的关键帧，并提出了一种运算量小检测效果较好的基于图像灰度化的背景差分法进一步提取关键帧的前景目标,最后用光流法计算得到目标的光流矢量和强度信息，为监控视频的异常判断提供依据。     

一种基于轮廓与背景消除的红外视频移动目标检测方案

针对红外视频的移动目标检测算法在还原目标时,目标的轮廓还原准确率较低的问题,提出一种基于轮廓与背景消除的红外视频移动目标检测方案。首先,从视频中选取一些不含目标对象的帧,对选取的帧进行统计处理并建立背景帧;分析背景的场景变化建立变化的自适应背景帧,并将背景帧的杂波过滤掉;然后,使用Canny边缘检测和K-means聚类检测目标轮廓并将目标轮廓从背景提取出来;使用形态学的边缘连通算法将目标轮廓进行关闭与Flood-fill填充处理获得目标对象的形状。对比实验结果证明,相较于其他红外视频移动目标检测算法,该算法获得了较好的目标轮廓与形状,同时,该算法的检测率与虚警率性能以及每帧的处理时间均较优。     

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。     

基于OpenCV与混合高斯建模的运动目标检测

针对静态背景下的视频运动序列,在研究现有的检测算法——帧间差分法与背景差分法的基础上,进一步研究了运动目标检测中背景动态建模的方法——混合高斯建模法,在此基础上提出了基于混合高斯模型与三帧差分的运动目标检测改进算法。由于使用背景差分法检测运动目标时,运动物体和阴影都将被看作运动的目标,于是研究了基于归一化RGB色彩模型的阴影处理方法,对阴影区域进行检测与去除。然后使用计算机视觉类库OpenCV结合Visual C＋＋6．0对上述算法进行实现,取得了很好的检测效果。     

基于五帧差分和模板匹配的运动目标检测识别

针对帧差法和背景差分法检测运动目标准确率低,自适应能力弱等缺陷,提出了一种改进五帧差分法与背景差分法和模板匹配相结合的运动目标检测和识别算法;通过改进的五帧差分和背景差分法融合的算法从视频图像序列中检测出运动目标;利用形态学方法去除噪声,改善运动目标提取效果;在Harris算法提取图像匹配特征值的基础上角点配准,提高图像识别的准确率,通过提取目标特征与自适应模板图像进行特征匹配的方法实现了目标检测识别和跟踪。仿真结果和实验表明该方法有噪声和部分遮挡的运动目标有良好的检测识别效果,识别率达到了95%。