一种融合特征点与运动补偿信息的运动目标检测新算法

动态背景下的运动目标检测在汽车辅助驾驶、机器人导航等领域具有广阔应用前景。提出一种融合特征点运动信息和运动补偿信息的运动目标检测方法,解决以往基于单一特征,运动目标检测完整性差的问题,同时提高运动目标的检测准确率。首先,通过特征点检测跟踪,对图像进行分块运动估计,获得背景特征点的帧间运动模型,通过衡量特征点真实运动位置与运动模型的匹配程度,构建特征点的运动度量函数,从而获得特征点的运动信息。接着,利用背景特征点帧间运动模型,计算图像像素点的运动补偿图像,构建像素点的多帧运动补偿差异度量函数,从而获得像素点的运动补偿信息。最后,将特征点运动信息与运动补偿信息融合,获得运动目标检测结果。实验结果表明了该方法的有效性。     

动态场景下基于精确背景补偿的运动目标检测

针对动态场景下因背景补偿效果欠佳而不能准确检测运动目标的问题,提出一种基于精确背景补偿的运动目标检测算法。算法采用加入对称约束的SURF特征点匹配算法,以获得稳健的匹配点对。同时利用自适应外点滤除法去除目标点对全局运动估计的影响,显著地提高了背景补偿的精度。最后用帧差法准确地检测出运动目标。实验结果表明,该算法具有很好的鲁棒性,能够在背景复杂且摄像机运动的环境下准确地提取出运动目标。     

营区扫描式监控中的运动目标检测

为解决部队营区监控中运动目标检测问题,提出了基于扫描式的运动目标检测法。对通过云台采集的背景帧提取边缘特性生成特征图,搜索与实时视频帧特征图相似度最大的背景帧。采用一种基于非规则形状的K值模板匹配进行运动补偿,并提出一种基于分块的前景连通法。实验结果表明,该背景搜索法降低了计算维度,算法快速;匹配算法对图像噪声、局部光照变化具有很好的鲁棒性;前景连通算法具有很好的检测效果,且可行有效。     

基于分块运动估计的对象跟踪方法

针对摄像机运动和场景光照突变的情况,提出了一种基于分块运动估计的对象跟踪算法。首先,对图像进行分块角点匹配,得到各块运动参数,然后对各块进行分块运动补偿和光照补偿;对补偿后的图像进行相邻帧差分得到目标的近似质心位置;跟踪过程则融合运动目标加权颜色直方图和梯度直方图作为目标特征,以所得质心为初始搜索点,采用螺旋搜索算法,进行目标模板和候选目标相似性检测,搜索最佳匹配点得到目标对象在当前帧的准确位置。实验结果表明,该算法能够有效克服光照剧烈变化,在动态背景下能达到对对象的准确跟踪。     

慢运动背景下运动目标提取算法*

提出一种慢运动背景视频序列下基于帧间背景图像匹配的运动目标检测和提取算法。该算法首先使用仿射变换模型来描述慢运动背景图像的运动变化,并使用基于光流约束方法求解该仿射变换模型参数,实现了相邻帧间图像的背景匹配;其次,采用背景匹配后的两帧图像差进行目标检测,使用自适应二值化区分变化与未变化区域;最后,使用形态学等图像算法进行后处理提取运动目标。算法经实验证明,在背景慢运动情况下可以有效地提取出运动目标。     

基于特征匹配与运动补偿的视频稳像算法

针对在复杂背景下航拍视频的抖动情况,为了实时输出稳定的视频,提出了一种改进的特征匹配算法与全局运动补偿相结合的视频稳像算法。首先,利用尺度不变的SURF算法提取特征点并计算描述符,再结合快速近似最邻近匹配算法得到匹配点对,并通过双向匹配以及K近邻算法筛选优秀匹配点,从而提高匹配正确率;其次,提出了一种局部区域匹配法,提高了算法处理速度,并避免场景内运动目标对稳像效果的影响。通过建立仿射变换模型,求解相邻帧图像的变换参数,进而对图像进行全局运动补偿。结果表明,该算法速度快、匹配精度高,有良好的视频稳像效果。     

一种时空联合的视频运动目标提取与跟踪新算法

提出了一种时空联合的视频运动目标提取与跟踪新算法。在空域分割中,针对分水岭方法过分割现象明显的缺点,对分水岭分割方法进行了改进;在时域分割中,首先对全局运动进行了补偿,随后为消除仅用两帧帧差进行对象分割所带来的误差,采用多帧帧差求和的方法,并自适应选取累积帧差的二值化阈值;时空分割结果进行投影融合后得到视频对象,提出用一种基于区域子块匹配的方法跟踪视频对象。实验结果表明,该算法简洁有效,能较好地把对象从运动背景中提取出来,并实现跟踪。     

采用多组单应约束和马尔可夫随机场的运动目标检测算法

针对现有动态背景下目标检测算法的局限性,提出一种基于多组单应约束和马尔可夫随机场的运动目标检测算法.该算法以视频序列多帧跟踪的运动轨迹为基础,通过轨迹分离和像素标记2个阶段实现运动目标的检测:在轨迹分离阶段,利用多组单应约束对视频序列的背景运动进行建模,并基于该约束通过累积确认的策略实现背景轨迹和前景轨迹的准确分离;在像素标记阶段,以超像素为节点建立时空马尔可夫随机场模型,将轨迹分离信息以及超像素的时空邻域关系统一建模在马尔可夫随机场的能量函数中,并通过最小化能量函数得到每个像素的前背景标记结果.与现有基于运动轨迹的方法相比,文中算法不需要仿射摄像机模型的假设,有效地解决了运动轨迹等长带来的轨迹点区域缺失问题,并可同时处理静态背景和动态背景2种类型的视频;在多个公开数据集的测试结果表明,该算法在轨迹分离准确性、轨迹点密度以及像素标记准确率等方面均优于现有方法.     

基于Vibe背景建模的运动目标检测算法

在运动目标检测的过程中，传统算法基于对单一特征背景进行建模，对背景描述不够准确，针对这个问题，本文提出融入颜色和边缘特征的Vibe背景建模.解决了三帧差分法在运动目标检测结果中出现噪声、断点与内部空洞等问题，并采用基于形态学处理方法对图像处理的结果进行补偿.为了保证运动目标检测的准确性，加快消除Vibe算法中第一帧出现“鬼影”现象，本文结合了Vibe算法和改进的三帧差分法对运动目标实现实时检测.通过研究分析与计算推导，实验中运动目标的检测结果表明，基于Vibe背景建模的改进三帧差分法检测效果明显优于三帧差分法.     

一种运动背景下移动目标的检测方法

针对全局运动视频序列中的目标检测,提出了改进的灰度投影算法.通过对灰度投影相关曲线的分析,根据其单峰性特征,提出了三点局域自适应搜索算法,该方法能够快速的估计出前后两帧之间的运动矢量.然后以参考帧图像背景为参照,映射当前帧的背景信息,以此补偿全局运动矢量,将连续几帧图像的相同背景稳定在同一幅图像的相同位置上,从而能够利用改进的连续三帧差分法准确地检测出运动目标,并根据目标的特征进行分类识别.实验结果表明,该方法能够有效地从视频序列中提取和识别出运动目标.     

基于综合匹配的鸟类视频中运动物体的检测

鄱阳湖是中国最大的湿地。每年秋末冬初,会有成千上万只候鸟来此越冬,该地区的自然生态系统和这些鸟类的活动有着密切的联系,因此,研究该地区的鸟类是了解该地生态系统的一个重要方式。本文采用帧间差分法对该地所拍摄鸟类视频数据进行运动物体检测。由于视频在获取过程中存在摄像机的移动,所以在处理过程中首先需要估计背景的运动并加以补偿。背景运动的估计是在常用的块匹配方法的基础上作了一定的改进,通过多个匹配块的匹配结果来计算运动矢量。为提高正确率,块的匹配在差分图像上进行。最后,利用在鄱阳湖录取的视频对本文所述方法进行了实验,实验结果表明本文所述方法对背景的去除和运动物体的检测的有效性。     

OPTICS聚类与目标区域概率模型的多运动目标跟踪

目的 针对多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题,本文提出了一种基于OPTICS聚类与目标区域概率模型的方法。方法 首先引入了Harris-Sift特征点检测,完成相邻帧特征点匹配,提高了特征点跟踪精度和鲁棒性;再根据各运动目标与背景运动向量不同这一点,引入了改进后的OPTICS加注算法,在构建的光流图上聚类,从而准确的分离出背景,得到各运动目标的估计区域;对每个运动目标建立一个独立的目标区域概率模型(OPM),随着检测帧数的迭代更新,以得到运动目标的准确区域。结果 多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题通过本文方法得到了很好地解决,Harris-Sift特征点提取、匹配时间仅为Sift特征的17%。在室外复杂环境下,本文方法的平均准确率比传统背景补偿方法高出14%,本文方法能从移动背景中准确分离出运动目标。结论 实验结果表明,该算法能满足实时要求,能够准确分离出运动目标区域和背景区域,且对相机运动、旋转,场景亮度变化等影响因素具有较强的鲁棒性。     

基于全局运动补偿的多运动目标检测方法研究

提出了一种动态背景下的对多个运动目标检测的完整方法.利用基于宏块匹配的六参数全局运动估计方法进行全局运动补偿,有效地消除了摄像机在非稳定运动情况下对目标检测性能带来的不利影响.同时在宏块匹配前进行了预处理,通过预判提取纹理信息丰富的宏块,并在宏块匹配的过程中采用九点十字搜索算法取代传统的三步搜索算法,减少了匹配数据量....     

基于鲁棒背景运动补偿的运动目标检测算法*

提出一种用仿射参数模型来近似场景中摄像机的复杂运动,采用参数化的多分辨率估计方法鲁棒地估计出仿射参数;然后在当前帧与运动补偿后的帧之间求光流场,得到目标轮廓的初始分割;最后通过聚类和搜索填充算法分割出完整的目标.试验结果表明,该运动补偿算法能有效消除摄像机运动引起的背景运动,在摄像机运动情况下得到完整的目标.     

Motion detection with nonstationary background

Abstract. This paper proposes a new background subtraction method for detecting moving foreground objects from a nonstationary background. While background subtraction has traditionally worked well for a stationary background, the same cannot be implied for a nonstationary viewing sensor. To a limited extent, motion compensation for the nonstationary background can be applied. However, in practice, it is difficult to realize the motion compensation to sufficient pixel accuracy, and the traditional background subtraction algorithm will fail for a moving scene. The problem is further complicated when the moving target to be detected/tracked is small, since the pixel error in motion that is compensating the background will subsume the small target. A spatial distribution of Gaussians (SDG) model is proposed to deal with moving object detection having motion compensation that is only approximately extracted. The distribution of each background pixel is temporally and spatially modeled. Based on this statistical model, a pixel in the current frame is then classified as belonging to the foreground or background. For this system to perform under lighting and environmental changes over an extended period of time, the background distribution must be updated with each incoming frame. A new background restoration and adaptation algorithm is developed for the nonstationary background. Test cases involving the detection of small moving objects within a highly textured background and with a pan-tilt tracking system are demonstrated successfully. Received: 30 July 2001 / Accepted: 20 April 2002 Correspondence to: Chin-Seng Chau     

基于SIFT特征匹配和动态更新背景模型的运动目标检测算法

运动摄像机情况下的运动目标检测是视频监控中的难点和热点问题。为了能够有效地检测出运动目标,提出了一个基于SIFT（Scale Invariant Feature Transform）特征匹配和动态背景建模的背景差算法。首先利用SIFT算法提取特征点,采用RANSAC（Random Sample Consensus）方法求得仿射变换模型参数并实现图像的全局运动补偿,然后用背景差方法实现运动目标的检测,同时进行阴影和鬼影的去除。SIFT特征点匹配的准确性和RANSAC方法去除异常点的有效性使得仿射变换模型参数计算准确,动态更新背景模型的背景差则完整地检测出了前景目标。与Ninad Thakoor实验结果对比说明：该算法能够准确地检测出运动目标,并且保持了前景目标的完整性。     

适用于旋转摄像下目标检测的图像补偿

目的 摄像机旋转扫描条件下的动目标检测研究中,传统的线性模型无法解决摄像机旋转扫描运动带来的图像间非线性变换问题,导致图像补偿不准确,在动目标检测时将引起较大误差,造成动目标虚假检测。为解决这一问题,提出了一种面阵摄像机旋转扫描条件下的图像补偿方法,其特点是能够同时实现背景运动补偿和图像非线性变换补偿,从而实现动目标的快速可靠检测。方法 首先进行图像匹配,然后建立摄像机旋转扫描非线性模型,通过参数空间变换将其转化为线性求解问题,采用Hough变换实现该方程参数的快速鲁棒估计。解决摄像机旋转扫描条件下获取的图像间非线性变换问题,从而实现图像准确补偿。在此基础上,可以利用帧间差分等方法检测出运动目标。结果 实验结果表明,在摄像机旋转扫描条件下,本文方法能够同时实现图像间的背景运动补偿和非线性变换补偿,可以去除大部分由于立体视差效应（parallax effects）产生的匹配错误。并且在实验中,本文方法处理速度可以达到50帧/s,满足实时性要求。结论 在面阵摄像机旋转扫描的条件下,相比于传统的基于线性模型的图像补偿方法,本文方法能够快速、准确地在背景补偿的基础上同时解决图像间非线性变换问题,从而更好地提取出运动目标,具有一定的实用价值。     

六足机器人动态目标检测与跟踪系统研究

动态目标检测与目标跟踪是图像领域的热点研究问题,为研究其在移动机器人领域的应用价值,设计了六足机器人动态目标检测与跟踪系统。针对非刚体运动目标容易被检测为多个分散区域的问题提出区域合并算法,并通过对称匹配、自适应外点滤除对运动背景进行精确补偿,最终基于背景补偿法实现对运动目标的精确检测。研究了基于KCF（Kernel Correlation Filter）的目标跟踪算法在六足机器人平台上的应用,设计了自适应跟踪算法实现六足机器人对运动目标的角度跟踪。将运动目标检测及跟踪算法应用于六足机器人系统。实验表明,在六足机器人移动过程中,系统可对运动目标进行精确检测与跟踪。     

结合W4算法和LBP模型的运动目标检测方法

针对传统W4背景模型算法无法消除运动目标阴影的问题,提出了一种有效消除阴影的运动目标检测算法。首先,给定背景初始帧,用传统W4算法计算出每一个像素点的最小灰度值、最大灰度值以及最大相邻帧间差分值;其次,对每个像素点提取的最大灰度值和最小灰度值进行线性加权;之后结合能抵抗阴影影响的改进的LBP纹理特征,采用类似混合高斯背景模型原理的思想提取多个运动目标检测背景模型。精简提取得到的LBP纹理的种类,减少计算量,以达到实时性的要求。实验结果表明,该算法与同类算法相比更有效地去除阴影对运动目标检测的影响,也满足实时性的要求。