一种基于图像序列的水下运动目标检测方式

根据水下运动目标检测的需要,提出改进的Vibe检测算法以适应水下环境中运动目标检测的特点。根据水下成像的特性对图像序列预处理,对于Vibe在首帧建模以及后期背景更新时产生的"鬼影",在首帧建模时目标区域进行近似的背景填充。针对水下运动目标运动相对缓慢及难以静止的特点在更新方式上采用保守更新与前景计数结合的方式,能较好地适应水下运动目标检测。     

动态阈值的Vibe运动目标检测

Vibe算法是一种高效的像素级背景建模算法,但是它同混合高斯模型一样,不能适应光线突变的问题,在对Vibe算法的基础上提出了一种在静态场景下对光照变化鲁棒的运动目标检测方法。该方法首先利用Vibe模型建立背景样本集,并利用Vibe模型对判别为背景的像素对背景帧进行更新。其次视频当前图像帧与背景帧差分,并采用Otsu算法计算图像的分割阈值来检测运动目标。实验结果表明,改进的方法能够很好地消除由于环境光照变化引起的“曝光”现象,提高了运动目标检测的精确度,并且改进的算法对室内场景下的阴影也有较好的抑制作用。     

一种改进的视频图像检测跟踪算法

针对运动目标在运动过程中的交叉、遮挡等情况,采用自适应阈值的Vibe算法来压缩背景杂波和相关噪声,进而对运动目标进行检测.采用基于Camshift优化的粒子滤波算法对运动目标进行跟踪,该算法在粒子滤波算法的基础上结合Camshift算法的优点,加入当前观测信息,使粒子更好地采样于目标周围,提高了粒子效率,节省了算法时间.实验表明,自适应阈值的Vibe算法能够准确检测复杂场景中的运动目标,并能够适应噪声干扰和光照变化,而基于Camshift优化的粒子滤波算法能够在目标快速运动、遮挡情况下对目标进行准确跟踪.     

融合帧差和Vibe的运动目标检测算法

Vibe算法是一种快速高效的背景建模算法,但该算法在运动目标检测过程中会产生鬼影。本文针对Vibe算法中鬼影消除缓慢的问题,结合多个场景的交通视频提出一种通过连续两帧前景背景像素时域变化来判断鬼影像素点并消除的方法,该方法加快了鬼影的消除速度。同时,对于视频拍摄场景中的背景噪声,采用了对前景图进行开闭操作去除小像素点以及对目标区域的空洞进行填充处理。实验表明,改进的Vibe算法能够加快鬼影的消除,并且与帧差法以及混合高斯建模算法相比,前景检测效果更精确。     

基于QP_TR信任域方法的低信噪比序列图像目标跟踪*

运动平台上低信噪比序列图像中的目标跟踪面临着两大困难:平台运动导致图像存在全局平移,使得目标在相邻帧间脱离跟踪算法搜索窗;图像中的干扰使得跟踪窗口经常跳动而导致跟踪失败.鉴于QP_TR信任域算法的优良性能,针对上述两个问题提出了一种新的基于QP_TR信任域和Kalman滤波的跟踪算法.该算法利用QP_TR进行图像稳定和模板匹配,通过Kalman滤波器状态估计滤除干扰.与三步搜索方法相比,加大了搜索窗大小的同时减少了模板匹配的次数,提高了性能.在真实图像序列上进行的实验表明,该算法能有效地稳定运动图像,实现运动平台上低信噪比序列图像中目标的稳定跟踪.     

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.     

基于HSV颜色空间和Vibe算法的运动目标检测

Vibe算法运行速度较快,并能快速有效地抑制阴影、照相机晃动对前景检测造成的影响,具有较好的前景检测性能。但对于存在动态背景的户外视频,不可避免地存在背景干扰及噪声的影响,使得Vibe算法不能准确地检测出运动目标。针对此缺陷,提出颜色特征信息与Vibe相结合的改进算法,将像素点从RGB空间转换到HSV颜色空间进行颜色失真度比较,通过双模型的建立,有效减少了计算量。系列实验表明该方法能够取得更加准确的前景分割特性,对噪声干扰表现出良好的鲁棒性。     

基于融合帧间差的改进Vibe方法

Vibe(Visual background extractor,视觉背景提取)算法速度快,能有效抑制噪声,但是也有缺陷,比如无法有效去除运动目标阴影,且不能快速去除"鬼影"区域。针对上述问题,提出了一种基于融合帧差法的改进Vibe算法。利用新的帧差法,提出如下改进:在灰度空间进行前景检测并利用亮度信息去除运动目标的阴影;巧妙运用帧差法的特性,利用两种方法所得的背景进行"与"操作,快速去除Vibe产生的"鬼影"。最后用形态学方法对检测结果进行改善,给出实验验证结果。结果表明,文中提出的改进方法可以很好地去除阴影,并能快速去除"鬼影",从实际效果上提高了算法的可靠性和检测的准确性。     

基于改进光流特征的运动目标跟踪

在城市智能视频监控中需要对运动目标进行实时跟踪,针对传统的运动目标检测中出现的跟踪目标易丢失、跟踪率低、实时性差等问题,提出一种基于改进光流特征的运动目标跟踪检测方法,对运动行人目标进行跟踪.该方法首先采用改进的Vibe运动背景建模法对视频中存在的运动行人进行检测,再将Shi-Tomasi角点检测与LK光流法进行结合,...     

实时运动目标检测与跟踪平台的构建*

构建了一个基于图像采集卡的复杂环境下实时运动目标检测与跟踪的实验平台。基于此平台提出并实现了一种改进的运动目标检测算法,它融合了帧间差分法和背景差分法的优点,以适应复杂环境的变化。实验表明,该算法利用所构建的平台,对变化场景中的运动目标实施了快速有效的检测与跟踪,为智能视频技术的研究提供了一个实用的实验平台。     

监控场景中的运动物体提取技术研究

针对监控场景中因存在遮挡而无法有效地提取出完整的运动序列这一问题,提出了一种将ViBe前景检测算法和改进后的粒子滤波跟踪算法相结合的跟踪提取方法。首先用ViBe来提取出场景中所有运动物体的前景轮廓;其次用粒子滤波来检测和跟踪目标物体;最后通过与目标物体的关联轮廓求交运算以及跟踪区域的反馈调节完成对目标物体运动帧序列的提取。当运动物体发生遮挡时,采用将跟踪区域内所检测到的前景轮廓重新加入到目标物体的关联轮廓中以保证后续可以继续用关联轮廓交集来提取。实验结果表明,该方法能够很好地保证提取的质量,并有效地解决了局部遮挡与全局遮挡情况下运动物体完整运动序列的提取。     

改进的ViBe运动目标检测算法

针对传统ViBe运动目标检测算法提取的目标存在鬼影区域、且有闪烁像素点干扰的问题,提出一种结合Surendra背景更新算法而改进的ViBe算法进行运动目标检测.利用Surendra算法快速更新背景的特点迭代得到纯净背景;对ViBe算法检测前景进行像素标记和鬼影分类判别,去除鬼影像素点和闪烁像素点;输出新的前景.实验表明:该算法可以有效地去除ViBe算法前景检测中的鬼影,并能抑制闪烁像素噪声,获取更精确的前景图像.     

基于ViBe的复杂背景下的运动目标检测

ViBe算法简单、快速,具有较好的前景检测性能,是运动目标检测和背景建模的主要方法之一。但是在动态背景、相机抖动等户外视频中仍存在噪声和干扰等问题,导致对前景运动目标的检测不准确。针对此问题,提出用像素帧差值代替像素值来初始化背景样本模型的方法,并根据背景动态变化自适应更新阈值来分割前景与背景。实验结果表明,改进算法提高了前景检测的准确性,对噪声干扰表现出了良好的鲁棒性。     

前景判别的局部模型匹配目标跟踪

目的 在复杂背景下,传统模型匹配的跟踪方法只考虑了目标自身特征,没有充分考虑与其所处图像的关系,尤其是目标发生遮挡时,易发生跟踪漂移,甚至丢失目标。针对上述问题,提出一种前景判别的局部模型匹配(FDLM)跟踪算法。方法 首先选取图像帧序列前m帧进行跟踪训练,将每帧图像分割成若干超像素块。然后,将所有的超像素块组建向量簇,利用判别外观模型建立包含超像素块的目标模型。最后,将建立的目标模型作为匹配模板,采用期望最大化(EM)估计图像的前景信息,通过前景判别进行局部模型匹配,确定跟踪目标。结果 本文算法在前景判别和模型匹配等方面能准确有效地适应视频场景中目标状态的复杂变化,较好地解决各种不确定因素干扰下的跟踪漂移问题,和一些优秀的跟踪算法相比,可以达到相同甚至更高的跟踪精度,在Girl、Lemming、Liquor、Shop、Woman、Bolt、CarDark、David以及Basketball视频序列下的平均中心误差分别为9.76、28.65、19.41、5.22、8.26、7.69、8.13、11.36、7.66,跟踪重叠率分别为0.69、0.61、0.77、0.74、0.80、0.79、0.79、0.75、0.69。结论 实验结果表明,本文算法能够自适应地实时更新噪声模型参数并较准确估计图像的前景信息,排除背景信息干扰,在部分遮挡、目标形变、光照变化、复杂背景等条件下具有跟踪准确、适应性强的特点。     

融入时空显著性的高精度视频稳像算法

为剔除复杂运动前景对视频稳像精度的干扰,同时结合时空显著性在运动目标检测上的独特优势,提出一种融入时空显著性的高精度视频稳像算法。该算法一方面通过时空显著性检测技术识别出运动目标并对其进行剔除;另一方面,采用多网格的运动路径进行运动补偿。具体包括：SURF特征点提取和匹配、时空显著性目标检测、网格划分与运动矢量计算、运动轨迹生成、多路径平滑、运动补偿等环节。实验结果表明,相较于传统的稳像算法,所提算法在稳定度（Stability）指标方面表现突出。对于有大范围运动前景干扰的视频,所提算法比RTVSM（Robust Traffic Video Stabilization Method assisted by foreground feature trajectories）的Stability指标提高了约9.6%;对于有多运动前景干扰的视频,所提算法比Bundled-paths算法的Stability指标提高了约5.8%,充分说明了所提算法对于复杂场景的稳像优势。     

融合前景判别和圆形搜索的目标跟踪算法

针对运动目标在发生遮挡、形变、旋转和光照等变化时会导致跟踪误差大甚至丢失目标以及传统跟踪算法实时性差的问题,提出了一种融合前景判别和圆形搜索（CS）的目标跟踪算法。该算法采用了图像感知哈希技术来描述与匹配跟踪目标,跟踪过程使用了两种跟踪策略相结合的方法,能够有效地解决上述问题。首先,根据目标运动方向的不确定性和帧间目标运动的缓慢性,通过CS算法搜索当前帧局部（目标周围）最佳匹配位置;然后,采用前景判别PBAS算法搜索当前帧全局最优目标前景;最终,选取两者与目标模板相似度更高者为跟踪结果,并根据匹配阈值判断是否更新目标模板。实验结果表明,所提算法在精度、准确率和实时性上都比MeanShift算法更好,在目标非快速运动时有较好的跟踪优势。