基于局部更新的分层码本目标检测算法

为了解决复杂环境下如树木摇摆、水波晃动等波动式干扰及光照变化对运动目标检测产生影响的问题,给出了一种基于码本模型的运动目标检测算法。考虑到实际场景中背景的变化主要体现在亮度方面,首先对视频序列图像进行颜色空间转化,由RGB空间转化到YUV空间,然后利用Box模型优化了码本模型参数和训练策略。目标检测时,采用局部背景更新方法,即利用帧差法确定变化区域,结合分层码本思想,实时更新背景模型,以达到精确提取运动目标的目的。对比实验表明在背景中存在扰动或者光照发生变化等情况下,该算法都能够对运动目标进行有效检测,具有一定实用性和鲁棒性。     

结合背景更新和亮度范围的改进Codebook模型算法

传统的Codebook背景模型算法是在RGB颜色空间下建立的,该算法计算复杂、分割质量不高且抗扰动能力较差。首先利用YUV颜色空间下亮度与色度分离的特性,建立Codebook背景模型,其次针对背景模型的亮度范围定义不合理的问题,采用码本中码字的Y分量均值重新定义亮度范围,最后在运动目标检测过程中使用双层码本与短时滑动窗口相结合的背景更新方法提高抗干扰能力。实验表明,改进算法的亮度范围能够随背景变化不断更新。与传统的Codebook背景模型算法相比,该算法能够有效更新背景,同时提高检测的准确性。     

基于Camshift反馈码本模型的手抓取物跟踪方法

针对Camshift算法在复杂背景下无法自动跟踪目标的问题,提出一种基于Camshift反馈码本模型的运动目标检测和跟踪算法。该算法首先利用码本模型检测前景目标,然后采用Camshift在颜色概率分布图中跟踪前景区域中的目标,通过窗口尺寸比较和直方图相关性判断来解决自动跟踪,通过窗口位置预测和尺寸扩大来改进下一帧Camshift算法的输入搜索窗口,同时并集操作多个目标处理后的矩形窗口,并将其反馈为下一帧码本模型的图像检测区域。最后将该算法应用于手和目标物的抓取状态判断上,具体过程是在静态背景下利用两个摄像头采集到的图像进行手和目标物的检测和跟踪,通过矩形相交性判断抓取次数,以验证跟踪算法的有效性。实验结果表明,通过信息反馈减小了目标检测和跟踪的搜索区域,提高了算法的实时性,在单摄像头下可提高处理帧频130%。     

基于码本模型的运动阴影去除算法

运动阴影会导致运动目标前景发生形变或丢失,影响运动目标前景的跟踪和分析。针对该问题,引入码本模型设计运动阴影去除算法。利用在YCb Cr颜色空间内建立的背景码本模型,检测包含运动前景目标和运动阴影的运动区域,并根据运动阴影在YCb Cr颜色空间中的特性得到运动区域中表示运动阴影的像素值,为视频帧中所有不同位置的像素点建立一个具有自适应亮度范围阈值和色度距离阈值的运动阴影码本模型,实现运动阴影的检测和去除。实验结果表明,该算法可有效提高运动阴影的检测率和识别率。     

基于码本模型运动目标检测算法研究

运动目标检测是视频分析技术中基础的环节之一。针对室外环境固定的摄像头采集的视频信息,在YUV色彩空间采用立方体码本模型进行目标检测能有效适应背景中包含周期性的运动、有规律的变化。采用定时更新背景的方法,可以适应一些非规律性的变化(临时停放的车辆)。实验表明,采用基于YUV空间的立方体码本模型与定时更新背景的方法能够较好的检测出运动目标,而且算法简单、易于实现、鲁棒性较强。     

一种改进的运动目标检测方法

视频序列中的运动目标检测是计算机视觉、视频监控等领域的关键问题。背景差分法是目前运动目标检测中最常用的一种方法．而构造一个自适应更新的背景模型是背景差分法的核心。利用运动目标图像变化比背景图像变化要快的特点,提出了一种改进的构建并实时更新背景图像的方法。实验表明,该方法计算量小、实时性好、并且能够确保较好的检测精度。     

彩色序列图像中实时运动目标跟踪方法

提出了一种彩色序列图像中的实时运动目标跟踪算法,该算法首先利用综合帧间差分法与背景差分法两种方法优点的动态背景更新算法来检测各种运动目标,在后续的图像序列中,利用运动检测算法来确定目标跟踪的起始点,并利用Mean Shift算法来跟踪运动物体;然后再更新Mean Shift的目标模板。实验结果表明,该算法能够克服Mean Shift算法对尺度变化的物体的跟踪效果较差且不能检测突然出现在图像序列中的物体的不足,快速准确地跟踪各种物体。     

高阶统计量的背景估计法在运动目标检测中的应用

利用随机变量的各阶矩的性质,构造了一种基于高阶统计量的背景估计方法,并将其应用于静态背景下的运动目标检测。文中采用多分辨率思想对程序进行优化。同时,在检测的过程中利用检测结果,采用分区域的方式对背景图像进行更新。计算机仿真实验表明,基于高阶统计量的背景估计及更新方法在应用于运动目标检测、提高背景差法在运动目标检测对背景环境变化的鲁棒性方面是有效的。     

一种基于三层圆柱体码本模型的前景检测算法

针对经典码本模型算法无法消除运动目标阴影和码本模型参数难以调节的问题,提出一种在YUV空间下的三层圆柱体码本模型算法。该算法根据运动阴影与背景相比色度相同亮度偏低的特点,在模型底部构建了阴影背景模型;根据光照变化的特点,在模型顶部构建高亮背景模型;并对亮度分量进行高斯建模,用以调节码本模型参数。实验结果表明:采用该模型和参数调节方法能较好的去除阴影和适应光照的变化,而且较好的检测精度和鲁棒性,适用于复杂环境下的前景检测。     

能量法的自适应背景更新算法

光流法不适用于复杂的环境,计算量大、用时长,且实时性不高,而背景图像差分法只适用于静止不动的背景,且不能使背景图像随监视场景背景变化而及时地更新。因此,提出了能量法的自适应背景更新算法SBUE。该算法主要用于运动目标检测,即在复杂背景变化的情况下,能够实时地修正或更新粗背景模型CBM,再结合背景图像差分法与运动物体能量相似性分割出完整的运动目标,具有普遍的适用性。通过实验证明了算法可以快速、准确地更新变化复杂的背景,提高运动目标的识别精度。     

智能监控系统中的运动目标检测算法

为解决现有视频监控系统中目标检测算法无法应付复杂的室外环境且计算量和存储量较大等问题,将像素从RGB空间转换到YUV空间建立基于码本的背景模型,并单独对每个码字中的亮度分量进行高斯建模,提取运动目标的轮廓后,用连通区域算法对图像进行形态学处理。典型测试序列和ROC数据的对比实验结果证明该算法是高效和实用的,且易于在DSP或FPGA等嵌入式系统上实时实现。     

基于区域特征分析的层级有序码书目标检测算法

针对原码书算法在检测中码字匹配效率低以及在复杂背景下检测精确度差的问题, 提出了一种基于区域特征分析的层级有序码书目标检测新算法。首先, 利用一种新颖的“码书—码章—码字”三级结构用以精确划分码书, 在优化了码字参数之后, 将码字按访问频度进行排序并组织成定长列表。实验数据表明, 该优化策略显著地提高了算法的实时性。其次, 提出一种基于局部方向模式的运动边缘标记法, 较好地克服了噪声的影响, 并准确而完整地获取了运动物体的边缘信息。最后, 将运动边缘轮廓区域与码书区域融合, 得到了准确的运动目标。算法在时间域和空间域构建了一个能精确反映运动目标本质属性的立体模型, 经实验验证, 本算法在有随机噪声及光照变化影响的场景中, 仍有较高的识别率和较好的鲁棒性。     

基于自适应时空码书的粒子滤波多目标跟踪

提出一种基于自适应时空码书检测模型的粒子滤波多目标跟踪算法。使用时空码书模型进行前景背景分割,检测出前景目标,在该模型上加入目标自适应过程。将自适应时空码书检测的结果作为粒子滤波跟踪算法的初始目标状态,通过关联算法和粒子滤波实现多目标跟踪。自适应时空码书模型能明显降低对前景目标的误检率,抑制噪声干扰。实验结果表明,该算法能够在有干扰的复杂背景下实现对运动多目标的快速捕获,并有效提高跟踪的可靠性和精度。     

帧间差分与码书模型相融合的运动目标检测算法

针对视频检测对实时性和准确性的要求,提出了将帧间差分与码书模型相融合的运动目标检测算法.首先,选取某个t时间内采集到的视频图像作为训练图像,对图像的每一个像素点建立码书模型.把码书模型中表示前景的码书去除,余下的作为背景模型用于检测.检测运动目标时,先将待检测的相邻帧图像进行帧间差分,得到变化区域和没有变化的区域,将有变化的区域与背景模型进行拟合,区分出前一帧运动区域和目标运动区域.更新背景模型时以不同的更新方法对前一帧运动区域和目标运动区域进行更新.     

基于视频监控的违章停车检测算法

针对传统违章停车人工检测方式准确率低、成本高等缺点,提出一种基于视频监控的检测算法.利用码本模型对背景进行建模,用以检测监控场景中的运动目标,通过计算联通区域面积来滤除其他物体对监控车辆的干扰,并根据车辆停留时间将车辆分类,一旦发现违停车辆,系统会发出报警.实验结果表明,该算法准确率高、实时性好.     

An adaptive graph cut algorithm for video moving objects detection

The algorithms based on graph cut have the advantage to detect the moving objects effectively and robustly. The main trouble of the algorithm based on graph cut is that its model parameters will be determined empirically. In this paper, a novel algorithm of adaptive graph cut is proposed to detect video moving objects. Based on Markov random field model, the proposed algorithm uses the numbers of moving objects pixels and objectives-background pixel-pairs to describe the geometric features of the moving objects. And the relationship between the geometric features of the moving objects and the model parameters are set up. In this paper, the model parameters are adaptively optimized through the extraction and prediction of the geometric features of moving objects. Then the detection based on the graph cut is preformed on ROI, which well achieves the balance between the computation and accuracy. Finally, the experimental results show the proposed algorithm can hold the details of moving objects more effectively compared with other algorithms, and improve the detection performance of moving object in the video surveillance.     

基于码书的运动目标检测方法

运动目标检测是视频监控系统需要解决的关键问题之一。背景差法是固定的单摄像头监控中常用的一种运动目标检测方法,其核心是背景的构造。提出了一种基于码书的背景构造方法,它能在有限的存储空间开销下使用长时间的图像序列估计背景模型。该方法首先对每一个像素点的抽样进行聚类分析,即构造初始的码书;然后根据背景模型的条件从中挑选出合格的码字构造背景码书;最后通过判断当前的像素值是否可以划归于背景码书以区分背景点和前景点,同时做相应的更新。实验结果表明,即使背景本身存在运动和光照条件发生变化,该方法构造的背景也能有效检测运动目标。     

基于改进的高斯混合模型的运动目标检测

运动目标检测是实现目标跟踪、视频监控的基础.针对基于高斯混合模型的运动目标检测算法的不足,提出了一种基于分块思想和高斯模型个数自适应的改进高斯混合算法.利用对视频图像分块的思想,在提高目标检测效率的同时,实现对视频的滤波处理;并利用高斯混合模型中高斯分布个数自适应操作来降低算法复杂度,提高运动目标检测的速度.实验结果表明:该算法比传统高斯混合模型运动目标检测算法具有更快的检测速度和更好的检测效果,并降低了检测噪声,能有效地检测运动目标,适用于运动目标的实时检测.     

基于码本和运行期均值法的双层背景建模方法

背景建模是视频处理的重要部分,是后续运动目标检测、识别和跟踪的基础。针对现有的背景建模方法无法兼顾抗干扰性、适应光照、背景更新速度和遮挡等问题,提出结合码本和运行期均值法对视频进行双层背景建模的方法。首先在第一层提取亮度和颜色特征,使用聚类的方法进行码本建模,接着在第二层建立运行期均值法模型,通过两种背景模型的有效结合快速准确地实现运动目标分割。实验结果表明,该背景建模方法计算简单、背景更新快、抗噪声能力强并且能较好地适应光照变化,适应于复杂环境下的目标检测。