基于图像序列的VideoSAR动目标检测方法

VideoSAR成像时,运动目标发生散焦和移位,但在其真实位置留下阴影,且阴影在VideoSAR的图像序列中发生运动。根据运动目标的这个特征,提出了一种在VideoSAR图像序列中检测运动目标的方法,通过检测运动的阴影来检测运动目标。该方法主要分为背景补偿和背景分割两部分。首先,将段内的图像用SIFT+RANSAC算法进行配准,使得图像序列的背景对齐;然后,用单高斯模型对图像序列进行统计,得到该段图像序列的背景模型,将背景与当前图像差分后并二值化,得到前景的二值图;最后,对二值图进行形态学处理,即可提取出运动目标的阴影。该方法用美国Sandia国家实验室的VideoSAR图像进行了验证,具有良...     

基于高斯金字塔与差分法的多目标检测和跟踪算法

针对复杂背景下的多目标检测和跟踪问题,提出了将背景差分目标检测算法与高斯金字塔图像重采样相结合的运动目标检测算法．该算法采用高斯金字塔法对图像进行重采样,建立背景模型,使用背景差分法获得前景区域,并对前景区域进行阴影检测、去除,从而检测出完整目标．融入了高斯模型关于背景更新的算法,克服了由于背景突然改变而造成的误检测．在目标阈值的确定过程中,采用动态阈值确定法,以提高目标检测的正确性．同时将目标的颜色特征和运动矢量引入到多目标跟踪算法中,提高目标跟踪的准确性．实验结果表明,该算法对于场景中存在目标频繁出现、消失、交叉运动和遮挡等情形均有较好的检测与跟踪效果．     

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Ghost区域、并且在目标有阴影时检测出的前景区域存在阴影的问题,本文提出了一种结合快速初始化背景建模和阴影去除的Vibe运动目标检测算法.首先采用改进的帧差背景建模方法快速初始化背景模型;然后利用Vibe算法找出当前帧内所有可能目标的前景区域;最后引入HSV模型去除前景目标区域中存在的阴影.实验结果表明,本算法可以有效消除Ghost区域,并且很好地去除前景目标区域里存在的阴影.     

一种有效的图像阴影自动去除算法

目标跟踪与检测研究中,在检测运动前景时也会检测到运动目标投射的阴影。阴影使得运动目标发生几何变形,可能造成运动目标粘连,甚至造成检测不到目标。阴影去除后才能较真实的得到运动目标重心。本文研究一种利用图像YCbCr颜色信息去除阴影的方法。首先利用背景减的方法得到带影子的目标区域,其次进行YCbCr空间的背景减,由于影子和目标物体在YCbCr空间背景减信息有较大差别,因此可以通过阈值判断得到去影之后的精确目标区域,目标物体识别的精确性和鲁棒性将会得到提高。实验结果表明,该方法在去除阴影的同时又较好地保留了前景目标的信息,是一种有效的阴影去除方法。      

基于RGB三通道分离的运动目标检测方法

背景图像的提取和更新是背景差分的关键。传统的背景差分法是对灰度图像进行处理,在检测前要对彩色图像进行颜色空间的转换,必然会丢失许多信息。对时间中值获取背景模型的不足加以改进,设计并实现了一种基于RGB三通道分离的运动目标检测方法。用形态学处理和连通性分析消除噪声,用区域填充技术填充目标区域内部空洞,在HSV空间去除阴影部分,得到比较准确的运动目标。实验结果表明,该算法在运动目标存在的情况下也能获得较准确的背景模型,当目标灰度值和背景灰度相近的时候,也可以检测到较完整的运动对象。     

复杂背景下的运动目标分割与阴影消除

针对目前运动对象分割不完整,以及存在阴影和鬼影对运动目标分割的影响,提出了一种基于复杂背景下的运动目标分割与阴影消除方法.首先利用高斯混合模型进行初始背景建模并提取初始前景对象,将当前视频帧和背景模型进行差分运算,且通过多尺度小波变换时空域特征,将多尺度分析和图像分割相结合,压制阴影并消除鬼影对运动目标分割的影响而得到...     

一种基于梯度图像帧间差分和背景差分的运动目标检测新方法

提出一种基于梯度图像,融合帧间差分和背景差分的运动目标检测新方法.其特点是采用混合高斯背景模型,先利用针对梯度图像的帧间差分检出变化区域,再利用背景差分从变化区域中检出运动物体,最后利用连通性检验消去噪声和阴影.针对真实视频序列的实验结果表明,该方法既简单有效,又具有较小的运算量和较好的鲁棒性.     

一种改进码本的运动目标检测方法

针对运动目标检测中存在的阴影及背景噪声和树枝摇摆等问题,提出一种改进型码本模型检测方法。该方法对YUV空间分通道进行处理以解决阴影问题,针对干扰和噪声等影响,在背景差分图像的基础上,对视频帧进行二维网格区域划分,然后再对各个区域进行处理。与原始码本算法及经典检测方法的对比实验表明,该算法检测效果更好,并能满足实时检测需要。     

结合直方图反投影的多特征运动阴影检测算法

针对视频监控中运动阴影影响目标检测跟踪准确性的问题,提出一种结合直方图反投影的多特征运动阴影检测算法。首先利用背景减除法,得到前景区域并进行初步筛选;然后在背景区域建立亮度、颜色、梯度特征的联合直方图,以反投影的方式投影到前景区域得到运动阴影概率图;最后结合空间一致性和滞后阈值,对概率图进行分割得到运动阴影区域。与典型算法进行对比的实验结果表明,本文算法能够有效区分阴影与目标,适用于实时的运动目标检测与跟踪。     

基于颜色空间转换的运动目标检测与阴影去除

针对室内视频监控中运动目标检测常出现的阴影误检,提出了一种基于颜色空间转换的自适应背景建模和阴影消除算法.在RGB空间采用自适应背景差对视频图像进行前景背景分离,并将检测出的前景目标锁定在活动轮廓矩形框内进行目标跟踪,对于误检的虚假目标(即阴影),利用其亮度等信息,在HSV空间去除.经实验验证,该算法对阴影的去除有良好的效果,能准确检测出真实目标.     

基于区域统计及YUV色度特性的阴影消除

基于阴影区域统计及YUV色度特性,提出一种鲁棒的运动阴影检测方法。首先,在待检测像素点邻域划分小区域,利用小区域内光照条件基本相同、阴影近似线性地降低背景亮度的属性,估计出背景的亮度;接着,与混合高斯模型(GMM)得到的背景相减,统计差值图像的加权方差,作为判定阴影的特征;最后,依据邻域光照变化率不变性与YUV色度差异进一步消除误判阴影点。经多个室内外的经验数据集实验表明,该方法阴影检测率高,前景空洞少,且有较强的抗干扰能力。     

基于改进单模高斯模型的运动目标检测算法

在视频交通车辆目标检测中,阴影问题是影响其检测准确性的关键问题之一.为了解决这个问题,提出了一种结合单模高斯模型和背景差法的运动目标阴影检测方法.首先针对传统单模高斯模型提出了一种自适应学习率和选择性差值更新背景相结合的方法,加快了背景模型的初始化速度,同时结合背景差法对阴影部分进行检测与去除.实验结果表明,该方法能够较好地去除车辆的阴影,提高了检测的准确性.     

基于背景重构的运动对象越界侦测方法

提出了一种基于背景重构的运动对象越界侦测方法,该算法利用当前视频图像和背景视频图像,通过差分法获取运动对象模型和背景差值,再利用运动对象模型的连续性绘制运动对象轨迹,对轨迹和警戒线交叉方程进行越界侦测。同时,利用当前视频图像融合背景图像生成新的背景图像,能有效保证识别算法的自适应性,提高侦测结果的准确性。     

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%。     

视频监控系统中一种运动目标的检测方法

提出了一种基于改进的背景差分法的运动目标检测和识别的方法,该算法用于视频监控系统中运动目标检测和报警。双阈值法和动态阈值法有效地检测出图像中的运动目标。Matlab 7.0中对算法进行了仿真,实验表明,该方法有效去除了运动目标阴影及背景噪声,可准确地检测出运动目标。     

基于自适应背景图像更新的运动目标检测方法

在运动目标的实时检测中常用的方法是背景图像差分法,但因其缺乏背景图像随监视场景光照变化而及时更新的合理方法,限制了本方法的适应性.对此,本文首先提出了一种基于光流场等技术的自适应背景逼近更新方法,并根据彩色差值模型得到差分图像;然后引入Gauss模型实现运动目标的自适应阈值分割.实验结果表明:本文提出的背景更新方法可随着光照条件的变化实时、准确地更新背景图像,在此基础上提出的基于Gauss模型的自适应阈值分割方法可以实现运动目标的完整分割,这为运动目标的后续识别与理解奠定了基础.     

Moving cast shadow detection using online sub-scene shadow modeling and object inner-edges analysis

In this paper, we propose an adaptive and accurate moving cast shadow detection method employing online sub-scene shadow modeling and object inner-edges analysis for applications of static-camera video surveillance. To describe shadow appearance more accurately, the proposed method builds adaptive online shadow models for sub-scenes with different conditions of irradiance and reflectance. The online shadow models are learned by utilizing Gaussian functions to fit the significant peaks of accumulating histograms, which are calculated from Hue, Saturation and Intensity (HSI) difference of moving objects between background and foreground. Additionally, object inner-edges analysis is adopted to reject camouflages, which are misclassified foreground regions that are highly similar to shadows. Finally, the main shadow regions are expanded to recycle the misclassified shadow pixels based on local color constancy. The proposed algorithm can adaptively handle the shadow appearance changes and camouflages without prior information about illuminations and scenarios. Experimental results demonstrate that the proposed method outperforms state-of-the-art methods.     

基于YC_bC_r颜色空间的背景建模及运动目标检测

高斯混合模型广泛应用于基于背景建模的运动目标检测中。首先在YCbCr颜色空间采用自适应高斯混合模型对背景的每个像素建模;然后,对输入的当前帧图像的每一像素值与该像素点对应的高斯混合背景模型的各个高斯模型进行比较,将前景运动区域（包括运动目标、投射阴影）从场景中提取出来;最后,采用局部二元图（Lo-cal Binary Pattern,LBP）来提取纹理特征,利用背景在阴影覆盖前后的纹理相似性去除投射阴影,同时结合阴影的空间几何特性优化运动目标检测结果。实验结果表明,该算法能有效地检测出投射阴影和运动目标,具有较高的实际应用价值。