基于均值漂移聚类的运动目标检测

为了有效减少噪声对运动目标检测的影响,提出了一种利用均值漂移聚类实现运动目标检测的方法。首先运用Mean Shift算法分别对三帧连续图像进行平滑去噪处理,然后对图像进行边缘提取,最后通过三帧差分法对三帧图像进行差分,进而得到运动目标。实验结果表明,该方法可以有效地抑制噪声并提取出运动目标。     

基于模糊均值聚类算法的运动目标检测方法

在实时监控系统中利用模糊均值聚类算法来检测运动目标，有着良好的抑制噪音干扰效果，同时对小目标能够进行很好的检测和跟踪。     

基于三帧差法与聚类算法的目标识别方法

针对三帧差法进行监控视频目标识别过程中出现目标缺失和背景冗余问题,提出了一种基于三帧差法与聚类算法相结合的运动目标识别方法。这种方法首先对两帧图像的像素进行"减"运算得到两帧图像中变化的像素值;然后确定像素的容许变化阈值并对图片进行二值化处理;最后用网格将二值化图像分为若干区域,在区域内实现聚类,从而有效地将运动目标识别出来。通过实验表明,这种方法可以弥补识别过程中缺失的目标并滤除背景中冗余的亮点。     

基于聚类的背景建模与运动目标检测方法

为克服目前动态背景建模方法中计算量和存储量大的问题,提出了一种基于聚类的动态背景建模与运动目标分割方法。由于动态背景下每个像素的取值在时间轴上呈多峰分布形式,因此将每个峰看成一个子类,用聚类技术快速实现了动态背景的建模与更新,然后利用建立的背景模型快速、准确地实现运动目标的分割。实验结果表明：提出的背景建模方法能有效捕获并适应背景的动态变化,可显著降低目前动态背景建模方法的计算量和内存需求量,易于在基于DSP 或 FPGA等硬件系统上实时实现。     

基于ZYNQ加速的帧差法运动目标检测

针对运动目标检测算法在传统PC端上实时性较差的问题,设计了一种基于ZYNQ硬件加速的运动目标实时检测系统。将摄像头采集的彩色视频流转换为灰度视频流并进行图像处理来实现运动目标检测,并将检测后的结果与原彩色视频流叠加来显示实时检测结果;选用经典的帧差法,并在ZYNQ平台上设计和实现该算法,在VDMA存储中使用乒乓操作加速,中值滤波进行图像处理时使用流水线操作并行加速,大大地提高了算法处理速度。设计实现后对传统的CPU+OpenCV实现横向对比分析,结果表明ZYNQ平台在实时性上具有明显优势。     

一种基于改进ViBe的运动目标检测方法

针对ViBe算法存在的不能有效去除背景噪声以及鬼影现象,提出一种结合帧差法和ViBe算法的改进算法。首先利用帧差法提取出运动目标的轮廓,然后根据得到的轮廓粗提取运动目标区域,最后在得到的运动目标区域基础上分类进行ViBe算法更新背景并分割出完整的运动目标。实验结果表明,此算法能够有效抑制噪声以及鬼影造成的影响,在速度方面也比原算法有所提高。     

基于CNNs电路模型的运动目标检测方法

针对帧差法和光流法两种运动目标检测方法,给出了相应的细胞神经网实现方式。采用不同视频图像序列进行了仿真,结果证明了所提出方法的有效性。     

基于SIFT特征匹配与K-均值聚类的运动目标检测

运动摄像机情况下的运动目标检测是视频监控中的难点和热点问题。为了能够有效地检测出运动目标,根据视频中背景与运动目标的速度不同这一特点,提出了一个基于尺寸不变特征变换(SIFT)和K-均值聚类的运动目标检测方法。首先提取视频中相邻两帧图像的SIFT特征点并进行匹配,并计算匹配特征点的运动速度,最后将运动目标和背景上的SIFT特征点K-均值聚类分析,在单运动目标、多运动目标和带有摄像头旋转情况下做了实验。实验结果表明,提出的目标检测算法能够在运动背景下较好地检测到目标并保留稳定的目标局部特征,对于摄像机运动、摄像机旋转、亮度变化等影响因素具有较强的适应能力。     

一种基于梯度方向信息的运动目标检测算法

运动目标检测是智能视觉监控系统的基本内容。在对现有算法分析的基础上提出了一种基于梯度方向信息的运动目标检测算法。首先利用方向信息提取视频图像序列中每一帧的边缘梯度图,然后通过改进传统帧差算法,采用uint8数据格式处理含有时间关系的两帧图像以此确定运动目标粗略边界,经运动目标连通域识别,最后结合梯度方向信息准确提取运动目标的完整轮廓。实验结果表明,该算法克服了传统帧差算法不能准确定位目标的缺点,在室内外复杂背景下均能准确地提取完整的目标轮廓。     

基于运动显著性的移动镜头下的运动目标检测

针对移动镜头下的运动目标检测中的背景建模复杂、计算量大等问题,提出一种基于运动显著性的移动镜头下的运动目标检测方法,在避免复杂的背景建模的同时实现准确的运动目标检测。该方法通过模拟人类视觉系统的注意机制,分析相机平动时场景中背景和前景的运动特点,计算视频场景的显著性,实现动态场景中运动目标检测。首先,采用光流法提取目标的运动特征,用二维高斯卷积方法抑制背景的运动纹理;然后采用直方图统计衡量运动特征的全局显著性,根据得到的运动显著图提取前景与背景的颜色信息;最后,结合贝叶斯方法对运动显著图进行处理,得到显著运动目标。通用数据库视频上的实验结果表明,所提方法能够在抑制背景运动噪声的同时,突出并准确地检测出场景中的运动目标。     

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。     

改进k均值算法在网络入侵检测中的应用研究

k均值聚类算法在入侵检测中已经得到了广泛的研究。该文在k均值算法基础上,提出了改进的k均值算法。将k均值算法和改进的k均值算法分别应用于入侵检测。试验结果表明,改进后的k均值算法能够避免k均值算法固有的缺点,并且有比较高的检测性能。     

动态背景下空时特性均显著的运动目标检测

从序列图像中提取变化区域是运动检测的主要作用,动态背景的干扰严重影响检测结果,使得有效性运动检测成为一项困难工作。受静态图像显著性检测启发,提出了一种新的运动目标检测方法,采用自底向上与自顶向下的视觉计算模型相结合的方式获取图像的空时显著性：先检测出视频序列中的空间显著性,在其基础上加入时间维度,利用改进的三帧差分算法获取具有运动目标的时间显著性,将显著性目标的检测视角由静态图像转换为空时性均显著的运动目标。实验和分析结果表明：新方法在摄像机晃动等动态背景中能较准确检测出空时均显著的运动目标,具有较高的鲁棒性。     

基于改进聚类分析的网络流量异常检测方法

针对传统基于聚类分析的网络流量异常检测方法准确性较低的问题,提出了一种基于改进 k-means聚类的流量异常检测方法。通过对各类流量特征数据的预处理,使k-means算法能适用于枚举型数据检测,进而给出一种基于数值分布分析法的高维数据特征筛选方法,有效解决了维数过高导致的距离失效问题,并运用二分法优化K个聚簇的划分,减少了初始聚类中心选择对k-means算法结果的影响,进一步提高了算法的检测率。最后通过仿真实验验证了所提出算法的有效性。     

基于谱残差和多分辨率分析的显著目标检测

根据人类视觉系统的特点,提出一种融合谱残差和多分辨率分析的显著目标检测方法。该方法通过在不同尺度上计算图像的亮度、颜色以及方向特征的谱残差,构建多分辨率显著性图谱序列,然后用线性插值方法将不同分辨率的特征显著图叠加得到3个特征显著图,再利用k均值聚类算法将每个特征显著图聚为两类,选择聚类中心距离最大的特征显著图作为最终的显著图,最后经过动态阈值处理获得图像的显著目标区域。基于自然图像的显著目标检测实验结果表明,该方法具有较强的稳定性和实用性,得到较为满意的检测结果。     

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。     

自适应聚类算法在DDoS攻击检测中的应用

针对DDoS攻击检测中k-means算法对初始聚类中心敏感和要求输入聚类数目的缺点,提出了一种基于动态指数和初始聚类中心点选取的自适应聚类算法（Adaptive Clustering Algorithm）,并使用该算法建立DDoS攻击检测模型。通过使用LLS_DDoS_1.0数据集对该模型进行测试并与k-means算法对比,实验结果表明,该算法提高了DDoS攻击的检测率,降低了误警率,验证了检测方法的有效性。