铁路视频监控中运动目标检测算法研究

运动目标的正确检测影响着运动目标能否被正确跟踪与分类,因此成为视频监控系统研究中的一项重要课题。文中对运动目标检测算法进行研究,实现对铁路沿线前方目标的有效识别,针对得到的视频序列,通过混合高斯模型进行背景建模,并与混合差分算法结合实现前景的提取与检测。通过与混合差法相比较,其仿真结果表明,该算法具有一定的可行性。     

海上舰船目标轮廓检测算法

利用高分辨率光学遥感图像对海上舰船进行监控,具有广阔的应用前景。针对舰船轮廓检测时易受干扰,且对噪声敏感的问题,为了更精确地检测舰船轮廓,以关键点描述方法理论为基础,提出了新的关键点检测方法。基于灰度信息提取出舰船目标区域,结合灰度和形状信息,提取出对称点对来检测关键点,对舰船轮廓拟合效果较好。该船只轮廓检测算法结合舰船灰度特征和形状特征,适用于多种船形和场景,轮廓检测效果良好,鲁棒性强。     

基于视觉显著性的雷达视频舰船检测

将计算机视觉领域的视觉显著性的概念引入常规雷达视频序列中舰船目标的检测,提出了适用于雷达视频的目标显著性表示模型。利用局部对比度来表征目标与杂波在回波强度上的差异,利用运动显著性来提取目标与固定地杂波和起伏海杂波之间的差异,经线性组合形成综合显著图,可快速准确提取目标。将连续多帧提取的结果进行积累,通过分析目标历史轨迹对目标加以确认。最后,利用采集的某型导航雷达实测数据进行的实验表明了方法的有效性。     

结合目标提取和深度学习的红外舰船检测

传统显著区域提取红外舰船目标检测算法进行图像处理时虚警率高,而深度学习的红外舰船目标检测方法速度慢。针对这些问题,提出了一种将传统的目标提取与深度学习中分类的思想相结合的红外舰船目标检测算法。首先通过高帽变换（TOP-HAT）和 低帽变换（Bottom-HAT）对图像进行处理,然后通过阈值分割方法和归并算法对图像进行候选区域的提取,再运用深度学习中分类的思想完成对目标船舰的检测。通过测试数据集进行实验并对比分析,结果表明改进后的检测算法平均精确度达到83.69%,较之于传统显著区域提取算法精确度提升了8.09%,较之于Faster-R-CNN算法每百张检测时间缩短了2 s。     

基于动态特征融合的监控视频图像小目标检测研究

在实际监控场景中,监控视频图像往往会受到复杂的背景干扰和光照变化的影响,使得小目标的检测变得非常困难且准确性较差。因此,文章提出基于动态特征融合的监控视频图像小目标检测方法。首先对监控视频图像进行预处理,主要是对不同类型的噪声进行噪声滤除操作,以提高图像质量并突出小目标;其次融合数学形态学处理技术,提取预处理后图像的小目标相关特征;最后采用动态特征融合方式进行小目标检测,将多个特征融合在一起,以更全面地描述图像中的小目标。通过这种动态特征融合方法完成了监控视频图像小目标检测方法设计。实验结果表明：新方法在检测不同类型的小目标中具有明显优势,能够实现对小目标的准确监测,说明其在监控视频图像小目标检测中具有应用价值。     

视频监控的目标检测研究

为了实时准确的提取出运动目标,提出了一种基于帧问差分的背景重建算法及基于运动前景的背景更新算法。该算法先对摄像头采集的视频序列进行帧间差分背景重建,通过自适应阈值的背景减法得到运动前景,并分辨出运动目标和伪运动目标,然后进行区域性背景更新。当背景发生整体或局部变化时,该算法能够快速地检测出背景变化,并采用相应算法实时更新背景。实验结果表明,该算法能快速、准确地重建出背景,从而能够完整地提取场景中的运动目标。     

海上舰船目标检测预警系统

针对海上石油开采设备的保护,介绍了一种适合在海上长时间工作的水面舰船检测预警系统。着重论述了以DSP和FPGA为核心的数字处理模块的硬件设计。在该硬件系统基础上,提出了一种适用于DSP处理的被动目标检测算法。简单介绍了软件系统的编写流程和实验结果。实验表明,该系统能够有效地检测到舰船并且报警,具有一定的实用价值和参考意义。     

基于深度学习的SAR图像舰船目标检测综述

近年来,合成孔径雷达成像技术因具备全天时和全天候的目标感测能力,在海洋实时监测和管控等领域发挥着重要作用,特别是高分率SAR图像中的舰船目标检测成为当前的研究热点之一.首先分析基于深度学习的SAR图像舰船目标检测流程,并对样本训练数据集的构建、目标特征的提取和目标框选的设计等关键步骤进行归纳总结.然后对检测流程中的各部...     

基于阴影的视频SAR动目标检测

视频合成孔径雷达(SAR)是雷达成像邻域的研究重点之一,其具有高帧率连续成像特性,有利于对地面运动目标进行实时监测。虽然动目标自身图像难以聚焦,但由于雷达工作频率高,合成孔径时间较短,其真实位置会存在阴影,利用此特征可进行动目标检测。本文对基于阴影的动目标检测流程进行了探讨,并提出了一种新的背景建模方法用于对消待检测图像的背景目标。通过实验验证,该方法能更好地剔除目标阴影对背景的影响,使对消后目标阴影完整保留,从而改善漏警率。     

智能视频监控系统运动目标检测技术研究综述

智能视频监控技术的出现是现阶段市场监控系统智能化需求的结果,它旨在实现用摄像机代替人眼,用计算机代替人并协助人来完成监视和控制的任务.智能视频监控系统分析技术在检测运动区域的目标检测技术和追踪预测运动目标运动趋势的目标跟踪技术的基础上,再进行目标行为识别理解.对现有的主要目标检测技术的主要算法进行了综述和分析,并根据各算法的优缺点做出比较.     

视频监控中运动目标快速检测方法研究

提出了一种背景差分的改进算法.通过像素灰度值归类与形态学相结合的方法来提高背景重构的效率,进一步提高系统的实时性.实验结果表明,改进的算法能够有效克服光线变化、雨雪天气等环境噪声的干扰,适应高密度运动目标检测场景,进一步提高检测速度和效果.     

夜间近红外线视频监控图像人体目标检测

人体目标检测是很多机器视觉应用的难点,如安全视频监控和车辆辅助驾驶等,其检测方法多针对可见光图像,对夜间图像则少有涉及。夜间监控常使用近红外线摄像机,然而其所摄视频图像光线不均、噪声高、对比度差、色彩信息不足,此外夜间监控常伴有感应式照明设施,因此图像人体目标检测难度较大。提出双模式高斯混合模型,即分开建构开、关灯环境的背景高斯混合模式,并由检测感应式照明设施的开、关灯切换高斯模式。试验证明,双模式可较好地对近红外线视频图像中人体目标进行检测,但未对重叠人体目标检测进行分析,这有待于进一步研究。     

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。     

约翰逊准则的视频监控目标检测性能评估方法

针对目前视频监控领域里目标发现、识别和辨认没有统一的国际标准和行业标准问题,对比分析了传统视频监控目标检测标准和红外热成像约翰逊准则,提出了基于约翰逊准则的视频监控目标检测性能评估方法,以等效条纹线对数代替传统模拟视频监控DRI标准中的目标-屏幕比,建立了CCTV Johnson-DRI标准。通过线对数绝对量化的评价标准更利于数字视频监控应用中目标发现、识别和辨认的性能评估。最后将提出的CCTV Johnson-DRI标准应用到激光夜视系统,进行了目标发现、识别和辨认实验,实验结果表明:所提出方法的有效性以及与传统视频监控DRI标准的等效性。该方法可用于白天彩色视频监控,LED/激光夜视等安防视频监控领域目标发现、识别和辨认相关性能的评估及系统指标设计。     

基于视频分析的目标检测

文章旨在探讨基于视频分析的目标检测,文章首先论述了视频目标检测的主要方法,介绍了当前常用的视频分析跟踪技术,进而分析研究了视频图像的互相关信息以及蜂群算法的目标检测的方法,最后探讨对分析和计算结果的分析。以期为相关的研究提供借鉴。     

基于视频分析的目标检测

文章旨在探讨基于视频分析的目标检测,文章首先论述了视频目标检测的主要方法,介绍了当前常用的视频分析跟踪技术,进而分析研究了视频图像的互相关信息以及蜂群算法的目标检测的方法,最后探讨对分析和计算结果的分析。以期为相关的研究提供借鉴。     

智能视频监控系统目标检测和跟踪技术分析

简述视频监控技术发展历史,提出了视频监控系统的智能化是未来监控技术发展的必然趋势.针对智能图像分析中的目标检测与跟踪技术,对目前采用的各种算法进行分类,并对各种方法的技术特点和优缺点进行了分析和比较.最后,根据公安的实战应用需求,总结了该技术的应用范围及前景.     

基于图像等级多样性的海上红外舰船显著性检测

海天和海岛背景下的海面多舰船红外目标检测一直是图像处理方面的难题。多舰船目标监视采用较广的视场和较大的景深,囊括了更多的目标信息和海天背景成像像素,使多舰船目标显著性的提取难度增大。同时,景深的增大使舰船目标成像更多地表现为小目标,轮廓特征不再明显,这对舰船目标的显著性检测造成了极大的困难。将图像等级多样性和超级像素理论用于海面多舰船目标显著性检测,提出了海面多舰船目标显著性检测方法。     

基于频域注意力的水下目标检测算法研究

针对水下目标检测过程中由于水下成像模糊、目标物与背景对比度低等原因导致的水下图像特征提取与目标理解困难的问题,本文提出了一种基于频域注意力的水下目标检测算法。该方法首先将训练集图像变换到频域,并使用低频特征引导组件(low frequency feature guiding suite, LFGS)计算频率分量,然后该分量将作为参数被应用到低频特征提取模块(low frequency feature extraction model, LFM)来更好地提取图像的低频特征,融合了图像低频信息的特征经过进一步特征提取生成高层特征,最后将高层特征输入到检测头中进行检测。在URPC2021数据集上进行验证,平均精度均值达到了83.35%,验证了本文方法的有效性。     

智能视频监控系统中运动目标检测的研究

为了提高智能视频监控系统中运动目标检测的准确率和实时性,在传统对称差分算法的基础上提出了一种结合背景减法和时空熵图像的改进对称差分算法。首先,通过背景减法得到一个基本准确的运动目标,然后利用对称差分法得到差分图像,综合两者并求出时空熵图像,最后经形态学处理将运动目标准确快速地检测出来。实验结果表明,该算法计算简单、鲁棒性较好、抗噪声能力强,能对运动目标进行有效检测,可以广泛应用于智能视频监控系统中。