基于RPCA与三帧差分融合的运动目标检测

为了实现在监控视频中对人体运动目标的准确提取,针对传统的三帧差分法在运动目标提取过程中容易出现“空洞”现象,提出了一种鲁棒主成分分析(Robust Principal Component Analysis,RPCA)与三帧差分相融合的运动目标检测算法。本算法通过将RPCA提取的视频当前帧的背景作为三帧差分法的中间帧与视频当前帧的前一帧和视频当前帧分别进行邻间差分,使得三帧差分法在运动目标检测过程中避免了背景像素点所带来的影响,消除了“空洞”现象。仿真结果表明该算法在完整性和准确性方面要优于其他三种传统运动目标检测算法,可以在复杂背景环境中实现准确的运动目标提取。     

一种改进的三帧差分运动目标实时检测算法

针对传统三帧差分法提取的运动目标存在大量的噪声和空洞,提出一种改进的三帧差分运动目标实时检测算法;该算法采用Surendra背景提取算法提取有效背景,对视频流中连续三帧图像分别进行背景减除,得到的结果作为反馈对背景进行选择性更新,利用HSV颜色空间去除阴影后进行三帧差分,将差分结果进行“与”运行,通过将中间帧背景减除结果与“与”运算的结果进行“或”运算,这样可以得到运动目标的完整信息;实验结果表明,该算法能够快速、完整、准确地检测出运动目标,可有效应用于实时监控系统.     

图像融合的运动目标检测算法研究

为了改进常用的运动目标检测算法易受噪声和光线变化的影响、易出空洞、阴影和假边缘等现象,提出一种基于连续五帧帧间差分与Surendra背景边缘差分相融合的运动目标检测算法。该方法先采用Surendra自适应背景提取算法建立运动区域模型,通过优化的Canny算子进行背景边缘检测差分运算,再与五帧差分法相融合,通过双向模板填充和后期处理获得完整、准确的运动目标区域并完成背景的实时更新。实验结果表明,该算法快速、准确,能满足实时性检测的要求。     

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.     

一种有效的道路背景提取与更新算法

针对复杂环境中道路背景图像的快速获取问题,提出了一种快速有效的道路背景提取和更新算法。应用改进的多帧平均算法提取背景,采用改进的Surendra算法对背景进行更新。实验结果表明,该算法能够减轻初始静止车辆对背景建立的影响,能及时消除由于初始帧中目标移动而造成的鬼影,对光线变化鲁棒性高、速度快、更新效果好。     

一种基于背景减除与三帧差分的运动目标检测算法

本文提出一种基于背景减除法和三帧差分法来进行运动目标检测的算法.首先运用Surendra背景更新算法建立运动区域的背景模型,通过背景减除法确定运动目标区域,后与三帧差分法得到的差分图像相结合,得到比较可靠的运动目标区域.实验结果表明,该算法准确率高,运算速度快,能满足实时检测的需要.     

基于双阈值的运动目标检测

目前在运动目标实时检测中.主要是运用差分法进行检测.但背景差分受光照、环境影响较大,需要实时更新背景,而帧间差分容易出现空洞和误检.结合背景差分和帧间差分,采用双阈值对运动目标进行分割,能对背景进行实时更新,有效的避免了空洞和误检,并且在机场的运动目标检测中取得了较好的效果.     

一种改进的适用复杂场景的运动目标检测算法

针对传统运动目标检测算法中存在的“拖影”、光变干扰、阴影等问题,提出了一种改进的更具鲁棒性的检测算法.基于背景边缘检测差并通过两次结合帧间差分法以及颜色偏差用以消除噪声和减低运动目标边缘断裂现象,从而获取运动目标的完整轮廓,同时采用双向模板填充算法进行运动目标的分割,最后通过数学形态学滤波和连通域分析来进一步去除噪声和填补空洞,获得完整理想的运动目标区域.实验结果证明,相对于传统的帧差与背景差分检测算法,能够有效地克服阴影和光扰所产生的噪声问题,可以在复杂背景下准确地检测分割出运动目标,并满足实时性要求.     

基于改进的ViBe算法的红外目标检测

针对ViBe算法第一帧图像中含有运动的目标时容易引入"鬼影"及不能完整提取前景目标的问题,在原算法的基础上融合帧间差分法、Canny边缘检测,采用中值滤波、形态学算子进行后处理。实验结果表明,本文算法能很快消除"鬼影",并能比较完整地提取出红外运动目标。     

一种有效的运动物体检测方法

为了从监控视频中检测出较高质量的运动物体,文章提出了一种基于帧间差分和背景差分相结合的运动目标的检测方法,并且采用像素级和帧级背景更新相配合的一种背景更新策略。算法求取各像素点处的最大概率灰度,从而提取出连续视频的背景图像;相邻帧则利用帧间差分法以及背景差分法得到两幅运动区域图像;将两幅运动区域图像相与,提取出较为准确的运动目标。实验证明,该算法对光线的变化鲁棒性较高,运算速度较快,且能够及时的响应监控视频的实时变化,提高运动目标的检测质量。     

基于三帧差分和滑动平均背景的运动目标检测

针对传统三帧差分法在前景提取中容易出现“空洞”现象,对传统三帧差分法作改进,采用逻辑“或”代替原来的逻辑“与”,但同时产生了运动目标被拉长,轮廓模糊等问题;为了有效解决该问题,将滑动平均法和改进的三帧差分相结合,然而滑动平均法初始阶段更新背景较慢,因此二者有效结合的关键是对滑动平均法作改进,提出一种自适应更新滑动平均系数加速背景更新的方法;最后将改进三帧差分提取的前景和改进滑动平均法提取的前景进行逻辑“与”运算得到综合前景图像;实验结果表明该算法在完整性,准确性以及实时性方面能满足实际要求。     

基于帧间差分的背景提取与更新算法

当运动目标较多时,时间平均法提取的背景存在模糊和拖影现象。为此,提出一种基于帧间差分的背景提取与更新算法。该算法采用基于像素级和帧级的多级自适应背景更新策略,能够克服光线缓慢变化和剧烈变化对背景的影响,并及时消除由于物体移入和移除产生的鬼影。实验结果表明,该算法能快速有效地对背景进行更新,提取的背景图像效果较好。     

基于帧间差分和背景差分结合的Camshift目标跟踪算法

Camshift算法需要手动标定目标区域,且具有无法适应目标的高速运动、相似颜色背景和遮挡等情况的局限性。针对这些情况提出结合帧间差分法和背景差分相结合的方法对Camshift算法进行改进。首先利于帧间差分和背景差分相结合检测出运动目标区域。然后用该区域初始化跟踪目标窗口。当有相似颜色背景干扰或遮挡情况发生时,利用检测出的运动目标区域对搜索窗口进行限制。同时,使用Kalman滤波对下一帧的搜索窗口进行预测,从而使该算法适合高速运动目标的跟踪。实验表明该算法能够准确对目标窗口进行初始化,且在目标高速运动、遮挡、和相似颜色背景干扰情况下,仍能进行适时实时有效跟踪。     

一种自适应运动目标检测算法及其应用

针对ViBe算法在动态背景下存在鬼影消除时间长、算法适应性差、前景检测噪声多的问题,本文提出一种基于ViBe算法框架的改进算法.该算法采用鬼影检测法标记第1帧中的鬼影区域,并向位于鬼影区域的背景模型中强制引入背景样本,从而快速抑制鬼影;在像素分类过程中,引入自适应分类阈值,解决全局阈值易受动态噪声干扰的问题;在背景模型更新中,根据像素分类的匹配值来动态决定更新因子,提高算法适应场景变化的能力.定性与定量的对比实验结果表明,本文算法相较于ViBe算法能够有效地检测动态背景下的运动目标,应用于河流漂浮物检测场景中也有较好的效果.     

基于改进ViBe算法的运动目标检测

针对ViBe算法中鬼影消除速度慢和固定阈值反映每个像素情况不详细的问题,分别提出了改进帧间差分与ViBe结合算法和自适应阈值的ViBe算法.改进帧间差分法,首先将连续六帧图像进行差分,并通过动态阈值进行校正,进而消除空洞现象,再与ViBe结合来判断鬼影像素.自适应阈值的ViBe算法,将像素值的变化作为像素值的设定依据,...     

利用混合高斯和拓扑结构的人体“鬼影”抑制算法

若在建模时存在目标,部分目标像素会进入背景模型,会在检测时产生“鬼影”。为了有效抑制“鬼影”,提出一种利用混合高斯和拓扑结构(Gaussian mixture model and topological structure,GMMT)的人体“鬼影”抑制算法。算法分为两个阶段,背景建模阶段采用双通道建模,通道一利用混合高斯模型进行预检测,接着利用拓扑结构将分散的人体目标连接获得完整的目标并取其外接矩形,然后将矩形外的像素加入背景模型,经过多帧的建模得到空背景;通道二使用多帧平均法计算背景模型。通过设置建模帧数的阈值T选择建模方式,若建模帧数小于T则使用通道一建模,否则使用双通道联合建模。目标检测阶段利用改进的背景差分法实现人体分割并进一步消除 “鬼影”。经过测试,GMMT在建模阶段存在目标的情况下可有效地抑制 “鬼影”。     

自适应混合高斯建模的高效运动目标检测

目的 如何使快速性与完整性达到平衡是运动目标检测的关键问题。现有的满足快速性的算法容易受到光照的影响，对动态环境的适应能力较弱，获取的目标信息不完整，导致空洞问题的产生。而具有较高完整性的算法复杂度高，运算速度慢，实时性差。为此，本文提出基于自适应混合高斯建模的3帧差分算法。方法 利用3帧差分运算简单、可扩展性强、抗干扰能力好的特性，对视频图像进行目标轮廓的提取。针对3帧差分运算导致目标内部信息提取不完整的问题，采用学习率自适应调整的混合高斯背景差分，在模型创建之初，通过较快的模型更新速率，增加背景模型的迭代次数，消除物体运动造成的"鬼影"。在背景模型中的干扰信息消除之后，以目标像素及相邻8像素在当前帧与背景模型中的差异度为依据调整学习率，实现背景模型的自适应修正，增加目标图像的完整性；同时，通过删除冗余的高斯分布，降低算法复杂度。为进一步确保目标边缘的完整及连续，采用边缘对比差分算法，使参与运算的帧数依据目标的运动速度自适应选取，以降低背景点的误判率，使边缘信息尽可能地连续、完整。结果 本文算法获取的目标信息完整，且边缘平滑。在提升检测率的同时保证较高的准确率，达到了95.23%，所获目标的完整度提高了28.95%；与传统混合高斯算法相比，时间消耗降低了29.18%，基本达到实时性要求。与基于混合高斯建模的背景差分法（BD-GMM）和基于边缘对比的3帧差分法（TFD-EC）相比，本文算法明显占优。结论 实验结果表明，本文算法可以有效抑制动态环境的干扰，降低算法复杂度，既保证实时性，又具有较好的完整性，可广泛应用于智能视频监控、军事应用、工业检测、航空航天等领域。     

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.     

结合三帧差分与改进混合高斯模型的运动目标

针对混合高斯模型对于噪声与光照变化检测效果不佳的问题,文章提出了结合三帧差分与改进型混合高斯模型的运动目标检测方法.该方法先通过三帧差分快速获取一副背景图像,然后将该背景图像按一定的比例更新到混合高斯模型主背景分布中,再按照改进的混合高斯模型进行背景提取,最后得到前景图像.实验结果表明,利用改进的混合高斯模型算法,提高了算法检测的准确度,并且结合三帧差分法能有效解决噪声与光照变化问题,提高了算法的鲁棒性.     

基于背景差分和三帧差分的运动目标检测

为了提高运动目标检测算法的准确性和对背景变化的适应性,本文采用了三帧差分与基于单高斯模型背景差分法相结合的算法,并通过最大类间方差法提取自适应阈值。引入一个新的背景更新机制,当运动物体融入背景或者背景中物体移除时,将背景更新为当前视频帧。实验结果表明,本文算法在对运动目标进行检测时,不易受背景光线变化及运动物体融入背景等因素的影响,适用于无人监控环境。