一种复杂背景下的运动目标检测方法

提出一种复杂背景下的运动目标检测方法．它根据背景运动情况下,像素与它领域之间的相关性对实行运动目标的检测,消除由于背景运动所造成的错误检测,并采用自适应背景更新方法,提高算法的稳定性和可靠性．通过实验验证,本算法对光照变化、背景运动、前景和背景互化有很强的适应能力．     

基于复数矩的形状轮廓描述与匹配方法

建立合适的轮廓描述函数是各种形状轮廓匹配算法的前提所在.基于复数矩理论构造了轮廓顶点与形状旋转、缩放和平移无关的局部复数矩不变量,推导了局部复数矩与原始轮廓顶点坐标的正反算公式,将轮廓特征顶点处的局部复数矩和曲率合在一起,从而建立了一种新的轮廓描述函数.该轮廓描述函数较为充分地考虑到了轮廓的全局与局部特征,除了具有不变性和唯一性等性质外,也具有较高的计算效率,仪需花费线性时间即可完成轮廓描述函数的构造,由于仅涉及到低阶几何矩,其局部复数矩也具有较强的抗噪能力.基于该轮廓描述函数,利用串匹配算法实现了形状的轮廓匹配,与现有基于各种轮廓描述函数的匹配方法的实验对比表明,本文轮廓描述函数及其匹配方法具有更为优秀的匹配性能.     

基于多摄像机的矿井危险区域目标匹配算法

为了解决多摄像机下矿井危险区域目标行为检测失效的问题,提出基于目标区域的配准算法.采用Lucas-Kanade光流法和基于块的背景运动补偿分别实现静态和复杂背景下的目标区域分割;用DOG对目标区域做尺度空间极值检测获得特征点对,并用主成分分析和尺度不变特征变换(PCA-SIFT)描述子作特征区域描述,在定义的目标区域匹配准则下,通过目标区域匹配度量比较实现匹配并通过基本矩阵约束消除误配区域.结果表明:该算法能够快速有效的实现矿井危险区域(低照度、目标类型复杂)下多摄像机运动目标匹配;与全图做PCA-SIFT匹配算法比较,计算复杂度降低71%～72%.     

旋转复杂背景中红外运动小目标实时检测

针对旋转复杂背景中红外运动小目标检测误检率高、实时性差等问题,提出了目标检测新算法。首先对图像进行中值滤波预处理,计算图像光流场,提取特征点,估算背景光流;然后设置阈值,判断提取备选目标特征点集合;最后通过特征点光流矢量角度、目标灰度值区间、目标特征点区域边缘检测的方法,排除备选目标特征点集合中的背景特征点,实时准确检测旋转复杂背景中红外运动小目标。实验结果表明,该算法能够准确地检测出红外多个运动小目标,检测率93.8%,平均虚警率0.126次/帧,平均每帧耗时15.53 ms,每帧图像处理的最大时间为20.45 ms,能够满足运动目标检测对实时性的要求。     

复杂背景下运动目标的检测

提出了一种统计获取图像背景的方法，该方法与比特层相结合可完成复杂背景下运动目标的检测，与其它获取图像背景的方法相比较，这种统计获取图像背景的方法可同时完成背景的获得和更新．此运动目标检测方法运算简单，抗噪能力强，无需阈值选取．分割结果无重影．实验验证了本方法的有效性。     

基于活动轮廓结合目标匹配遥感图像识别算法

随着当今遥感技术的飞速发展,遥感图像的精度和复杂度越来越高,为了从复杂大量的遥感图像中识别出感兴趣的目标区域,本文提出了活动轮廓分割结合目标匹配的遥感图像识别算法.所提出的活动轮廓算法,基于一个区域外法线向量的演化曲线模型,改善了原始的轮廓模型的边缘泄露问题和运算速率.新设计的模型用来提取目标匹配所需要的模板区域,并对其进行填充来构造完整模板.之后通过具有方向不变性的圆投影算法来进行目标区域的匹配进行筛选,并进一步对筛选出来的区域通过具有良好的几何区域不变性的仿射不变矩对目标区域进行分析,从而得出最终所判断的目标区域.最后通过实验验证了所设计的算法具有计算速率快,初始化限定少,演化能力强和鲁棒性强的特点.本算法适用于多种刚性目标的遥感图像识别.     

二维轮廓曲线匹配算法研究

在分析平面曲线的几何特性的基础上,提出了一种快速有效的轮廓曲线匹配算法.该算法在取得轮廓曲率集合和角点集合的基础上,首先根据角点的曲率值搜索初始匹配角点,得到初始匹配段.其次利用曲线段的几何属性-弧长和弦长来判断初始匹配段,如果满足条件,则将初始匹配段作为候选匹配段.最后应用候选匹配曲线段上曲率的Hausdorff距离来验证曲线段的匹配,如果该距离在一定的容差范围内,则该曲线段匹配.实验证明该算法即保证了较好的匹配精度,又能显著提高匹配的速度.     

基于多头自注意力的复杂背景船舶检测算法

针对内河港口背景复杂、类间尺度差异大和小目标实例多的特点,提出基于多头自注意力机制(MHSA)和YOLO网络的船舶目标检测算法(MHSA-YOLO).在特征提取过程中,基于MHSA设计并行的自注意力残差模块(PARM),以弱化复杂背景信息干扰并强化船舶目标特征信息;在特征融合过程中,开发简化的双向特征金字塔结构,以强化特征信息的融合与表征能力.在Seaships数据集上的实验结果表明,与其他先进的目标检测方法相比,MHSA-YOLO拥有较好的学习能力,在检测精度方面取得97.59%的平均均值精度,MHSA-YOLO对复杂背景船舶目标和小尺寸目标的检测更有效.基于自制数据集的实验结果表明,MHSA-YOLO的泛化能力强.     

基于背景差分法和显著性图的海底目标检测方法

如何完整地提取视频中低对比度的小目标一直是运动目标检测中的热点和难点,尤其是处理水下移动设备拍摄的海底视频,更是具有很大挑战性。针对海底视频的特点,提出一种结合背景差分法和显著性图理论的弱小目标检测方法。该方法对减去背景后仍不清晰的含有目标的视频帧,采用显著性图理论提高目标的对比度,以利于更好地分割目标与背景;同时,利用单帧视频中最大目标个数的先验知识,来判断视频中是否有目标出现,避免因杂质太多而造成目标的错检,以提高检测系统的稳定性。在此基础上进行了与常规背景差分法的比较实验,结果显示该方法能够更好地检测到不清晰的目标。     

基于背景和前景交互传播的图像显著性检测

为了更精确地提取图像中的显著性区域,提出一种新的基于背景和前景交互传播的图像显著性检测计算模型。通过建立一个新的模型来寻找图像中的显著性元素,用一种交互式特征传播方法来扩散显著性特征。采用不同参数对图像进行分割,得到多个尺度下的超像素;在单一尺度下通过背景和前景交互传播获得超像素的显著值;对多个显著值进行加权平均融合,并采用平滑机制进行优化得到最终显著图。在公开图像数据库进行的试验结果表明,该模型提高了对图像显著目标大小的适应性,不仅较好地抑制了噪声,还使得显著目标更均匀地凸显出来,结果优于同类的算法。     

基于分布匹配的主动轮廓模型及其图像分割算法

针对运动目标跟踪的快速性和鲁棒性要求,提出了基于分布匹配的主动轮廓模型,该模型将模板和候选区域的分布匹配标准——相对熵(即Kullback-Leibler距离)作为主动轮廓的外部能量,使用目标和背景全图像的匹配,克服了跟踪过程中噪声的影响。同时根据匹配力构建帧内和帧间的运动向量,加快了序列图像分割速度。相比于现有的基于边缘、块匹配、区域匹配的主动轮廓模型,该模型具有更好的噪声鲁棒性及在跟踪过程中容忍目标旋转和较大位移的能力。实验验证了该模型的有效性。     

基于动态阈值背景差分算法的目标检测方法

提出了基于动态阈值的背景差分算法、滤波算法和目标区域中心求解算法,并且将这种目标检测方法应用在视觉系统中进行目标检测与跟踪实验,实验结果证明了该目标检测方法的有效性和可靠性．     

基于小波域特征和贝叶斯估计的目标检测算法

为了改进目标检测算法,在小波域建立基于贝叶斯概率估计的模型,得到一个自适应最佳阈值,并利用该阈值得到待检测的目标。对待检测的图像序列进行基于滑动窗口的双Haar小波变换,对小波变换后的低频分量建立基于核密度函数的贝叶斯概率估计模型,通过训练和学习,得到自适应的最佳阈值,利用该阈值对低频分量进行判别,得到只含有目标的二值化图像。选取室内室外一个和多个运动目标的6个视频序列对该算法的有效性进行检验,并同其他算法相比,可以给出更好的检测结果。     

Moving object detection method based on complementary multi resolution background models

A novel moving object detection method was proposed in order to adapt the difficulties caused by intermittent object motion, thermal and dynamic background sequences. Two groups of complementary Gaussian mixture models were used. The ghost and real static object could be classified by comparing the similarity of the edge images further. In each group, the multi resolution Gaussian mixture models were used and dual thresholds were applied in every resolution in order to get a complete object mask without much noise. The computational color model was also used to depress illustration variations and light shadows. The proposed method was verified by the public test sequences provided by the IEEE Change Detection Workshop and compared with three state-of-the-art methods. Experimental results demonstrate that the proposed method is better than others for all of the evaluation parameters in intermittent object motion sequences. Four and two in the seven evaluation parameters are better than the others in thermal and dynamic background sequences, respectively. The proposed method shows a relatively good performance, especially for the intermittent object motion sequences.     

局部背景边缘干扰下运动视频完整轮廓检测方法

针对传统相邻帧差算法在对轮廓检测过程中无法有效解决局部背景边缘干扰的问题,提出基于高速并行细化算法的运动视频完整轮廓检测方法.基于Sobel算子对运动视频轮廓进行粗检测,通过形态学后处理对粗检测获取的运动视频目标轮廓进行腐蚀运算,过滤其中的噪声,使图像边缘向内紧缩;采用两次膨胀处理恢复并增强运动视频目标图像的连通区域,引入高速并行细化算法对图像进行细化处理,采集图像骨架,并获取线条平滑的完整运动视频目标轮廓图像.结果表明,所提方法检测出的运动视频目标轮廓更为完整、清晰,并且检测效率高.     

基于背景减法的游泳者检测

针对游泳池监视系列图像中的游泳者进行检测,提出了基于背景减法的游泳者溺水检测方法.该方法通过架设在泳池内的固定摄像机获得连续视频监视图像,采用独立混合高斯模型描述每一被观察的像素,建立自适应背景模型并实时更新.前景目标检出后,对所得前景图像进行阴影检测和噪音去除,使得检测结果更加理想,为目标分类打好基础.实验结果表明,该方法能准确的检测出游泳者并有效的去除阴影部分.     

一种基于码本背景模型的运动目标检测方法

针对减背景算法中复杂背景下背景帧的提取问题,给出了一种码本背景提取方法。利用视频图像序列中的颜色和亮度信息,为每一个像素点创建一个码本,且码本随着其中码字的更新而更新,所有像素点的码本构成一个完整的背景。用当前视频帧和码本进行比较得到前景运动目标。结果表明：算法运算量小,适合做实时处理。     

基于贝叶斯框架的显著目标检测

图像和视频显著性检测在计算机视觉领域引起了极大的关注,广泛应用于物体分割、可疑物检测、图像检索等领域,在贝叶斯框架下,将人类视觉注意力理论中Bottom-Up模式被动感知与Top-Down模式主动检测按照时间先后顺序结合在一起,并结合像素的"Center-Surround"模型和核密度估计,提出一种能由粗到精逐步感知和获取视场中视觉显著性目标位置及尺度的实时显著目标检测算法,称其为基于贝叶斯框架的显著目标检测.通过在微软MSRA数据集上进行ROC和Precision-Recall测试,证明该算法取得比目前经典算法更好的效果.