具有自适应能力的背景模型构建算法

对基于视频的车辆检测中的背景差分法进行了研究,提出了一种新的背景模型构建算法.该算法在初始化过程中有选择地采用动态帧数的图像作为计算帧,使背景模型的初始化具有较高的精度和效率;在背景更新时采用动态加权系数,使背景学习具有较快的速度;在进行背景差分时采用动态阈值,既使背景更新具有较高的准确度,又使视频分割具有较高的精度.经实验验证,该算法能够很好地检测出车辆,并具有较高的精度和效率.     

基于高斯背景模型的车辆检测改进算法

针对车辆检测中实时性、准确性以及自适应性很难兼顾的问题,提出了一种快速有效的车辆检测算法。该算法采用阈值判定背景区域和更新区域,根据背景变化的程度,利用动态权值更新学习率,使用基于单高斯背景模型方法,结合逻辑"或"运算检测出车辆。实验结果表明,该算法能够快速准确地检测出车辆,并且在背景更新过程中实现了自适应,并具有一定的鲁棒性。     

电子警察系统中背景更新算法的研究

车辆跟踪检测是基于视频的电子警察系统的基础,车辆跟踪的典型方法是背景差影法.为了提高检测的准确性.文章提出了一种基于车辆位置信息和帧差法相结合的分块区域动态背景更新算法.该算法将背景更新和车辆检测结合起来,能准确地分割图像,具有很好的鲁棒性和准确性,容易实现,实时性高.     

基于视频图像的高速公路车辆检测算法研究

针对高速公路智能交通系统中的复杂场景变化、阴影和车辆遮挡等影响车辆检测率的问题,提出了使用基于高斯混合模型的自适应方法来建立和更新背景,采用基于HSV的邻域均值快速阴影消除算法提高阴影消除的速度。对于遮挡车辆,采用基于Kalman滤波的识别算法进行遮挡车辆的识别,然后使用基于模板匹配的金字塔分级搜索算法对遮挡车辆进行细分割。实验结果表明,该算法既简单又有效,车辆的检测率达到97%,完全满足车辆检测的要求。     

基于交通状态切换的自适应背景更新算法

提出了一种新的道路交通自适应背景更新算法,该算法采用虚拟线圈检测车辆平均速度,并按平均速度将交通状态区分为“畅通”和“拥堵”,以此作为背景更新的切换条件;当车辆处于畅通状态时,主要以光照变化作为背景更新的条件,并采用混合高斯模型与连续帧间差背景更新模型相结合的融合模型进行更新;当车辆处于拥堵状态时,则不进行更新;算法中引入了背景更新的评价函数,使得背景更新能够自动停止;实验结果表明该算法具有传统背景建模的优点,并且提高了实时更新的效果与减少了计算量.     

一种基于彩色路面区域分割的候选车辆区域视频检测方法

提出了一种基于彩色路面区域分割的候选车辆视频检测方法.该方法首先根据路面部分颜色的分布特点从单帧彩色图像中分割出路面部分并完成路面区域背景的初始化,然后通过对路面区域运用背景差方法和相关后处理过程进行动静态候选车辆的检测和分割.由于采用一种双背景策略能够在车辆检测的同时完成背景的训练和替换更新,该算法克服了传统背景差算法背景更新时容易存在误差累积以及对环境光线变化敏感的缺点,实现简单、稳健性好,可以满足交通视频监控系统中背景更新和车辆检测的实时性处理要求,实验结果证明了该方法的有效性.     

交通场景中车辆的运动检测与阴影消除

提出一种算法框架实现对交通场景中运动车辆的分割。首先,提出一种基于颜色空间的浮动气球模型,用以解决监控场景的自适应背景建模问题,该方法解决了基于参数模型的背景建模方法无法检测驻留物体的问题,并可有效适应监控场景中的光照变化以实现自适应更新;其次,针对通过背景建模和背景差分得到的运动前景区域包含运动车辆阴影问题,提出一种新的阴影检测算法,该算法采用多特征融合的方法实现了对运动车辆的分割。实验结果分析表明,与其他方法相比,该算法框架在背景建模和阴影检测方法具有较好的效果。     

基于自适应背景匹配的运动目标检测算法

为了减小所提取的背景对后续目标检测的影响,提出了基于自适应背景匹配的运动目标检测算法.通过改进的Mode算法结合自适应背景匹配更新机制获得可靠的背景,在此基础上结合绝对差分和具有双动态阈值的Cauchy分布模型建立了目标检测总体模型,从而实现对视频序列中的运动目标进行检测.通过对行人和车辆等不同监控对象的实验,验证了算法具有良好的噪声抑制能力和对慢目标良好的鲁棒性,同时能有效的分割前景目标.     

多云条件下运动车辆检测

针对多云天气条件下的车辆检测问题，提出了一种快速有效的车辆检测方法。采用基于区间分布的背景更新模型，提高了算法对背景跟踪速度；采用基于彩色图像的HSI模型对云层造成的运动噪声进行抑制，有效地提高了目标检测的准确性。实验表明，该方法能够适应多云天气条件，综合使用背景更新和噪声抑制两种手段，能够使得多云条件下的车辆检测率达到80％以上。     

复杂动态环境下运动车辆的识别方法

针对目前车辆识别方法在动态变化的复杂环境中车辆识别正确率低的问题,提出了一种基于动态自适应阈值的车辆识别方法。该方法首先利用基于熵权法的图像质量量化算法计算交通流视频中背景图像的质量值;然后通过对样本交通流设置的车辆检测阈值和基于该阈值识别车辆的正确率进行多项式拟合,获得该样本的车辆最佳检测阈值;最后对样本背景图像的质量值和样本车辆的最佳检测阈值进行高斯拟合,得到自适应阈值计算模型。该方法采用高斯混合模型实时获取交通流视频中的背景图像,计算背景图像的质量值,并输入到自适应阈值计算模型得到实时的车辆最佳检测阈值以识别车辆。实验和理论分析表明,该方法能根据动态变化的环境实时更新车辆检测阈值,有效地提高了车辆识别的正确率。