基于帧间差分和边缘差分的遗留物检测算法

遗留物检测是智能视频监控系统的核心功能,遗留物一般较小,所处环境复杂,传统的运动目标检测算法直接用于遗留物检测效果一般.提出了一种基于帧间差分与边缘差分的遗留物检测算法,首先进行帧间差分得到运动目标区域,然后将当前帧图像和前一帧的背景图像进行边缘差分运算得到运动目标的边缘,融合二次差分的结果即可得到运动目标的完整轮廓特征,最终通过判断运动目标在场景中的滞留时间是否达到或超过报警系统设置的阈值来标示遗留物,供智能视频监控系统处理.实验结果证明该算法实时性好且识别率较高.     

基于帧间差分的自适应运动目标检测方法*

本文提出了一种基于帧间差分的自适应运动目标检测算法。算法利用直方图统计各像素点处最大概率灰度的方法提取出连续视频的背景图像;相邻帧利用帧差法得到运动区域图像;利用运动区域图像与背景图像差分的方法提取出运动目标。实验结果表明,该算法能在多个不确定性因素的序列视频中较好的提取背景图像,能及时响应实际场景变化,提高运动目标检测的质量。     

基于高斯混合模型的背景建模球员检测算法

在研究体育视频的问题中,针对现有的运动目标检测方法在体育视频中易受场景变化的影响不能准确检测出运动员,提出了基于高斯混合模型的背景建模的检测算法,并应用于足球视频的球员检测.该算法首先通过预处理操作构建较为静态的背景,并将背景模型作为高斯模型的初始化参数;在模型更新中,通过相邻两帧差分处理,区分出图像变化的区域和未发生变化的区域,不同区域以不同更新率加入到背景帧,更快地实现背景重建;最后通过背景差分实现球员检测.实验结果表明,在场景不规则变化的足球视频中构建的背景有较好的自适应性,球员检测效果不错.     

基于五帧差分和背景差分的运动目标检测算法

静态背景下运动目标检测的抗噪性能较差。为此,提出一种改进的运动目标检测算法。对原始图像进行预处理,将五帧差分和背景差分相结合,利用基于自适应背景模型的动态阈值,提取图像中的运动区域,并进行形态学滤波和连通性检测,最终获取运动前景目标。实验结果表明,该算法能完整提取运动目标,背景适应性强,实时性好。     

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。     

基于帧间差分和光流法的红外图像运动检测

在红外图像运动目标检测的研究中,针对IR探测器在不同的工作状态下所获取的复杂红外图像序列,为了从中有效地检测出中的运动目标,提出了一种用帧间差分和Lucas Kanade光流法的运动检测组合算法。在分析IR探测器工作状态的基础上,建立了IR探测器与目标的相对运动关系。对IR探测器在静止和运动时分别采用帧间差分法和Lucas Kanade光流法进行运动检测。对实地拍摄的红外图像序列进行仿真分析,实验结果表明通过对IR探测器工作状态的分析,智能地转换运动检测算法,可实现对目标的准确有效地检测。     

基于混合高斯和帧间差分的机场跑道入侵检测

入侵机场跑道的威胁目标检测,难点在于算法的高精度和实时性.针对传统混合高斯背景差分运动目标检测算法自适应性较差的缺点,提出一种混合高斯背景差分与帧间差分相结合的运动目标检测算法,将帧间差分的结果反馈到混合高斯模型中,实现光线突变时高斯模型快速收敛,再进行图像后处理以获得精准的运动威胁目标.在Matlab仿真平台上进行实验,结果表明,提出的算法兼顾了检测的速度和精度,分别可达l0-1秒级和像素级,满足了入侵机场跑道的威胁目标检测的需求,为机场终端区跑道入侵检测提供了有效的方法.     

基于有向图的足球视频中球员分类算法

基于传统的直方图球员分类方法由于缺乏描述图像颜色的空间信息而造成分类误差,而且该方法需要先验的模板信息。为此,本文提出一种基于有向图的足球球员的分类方法。首先,利用HSV模型中主颜色方法提取候选球员,并利用等面积矩形划分策略对图像进行分块;其次,对子块的HSV颜色空间进行量化,并将统计直方图作为颜色特征,然后通过颜色特征计算图像之间的距离,并利用距离矩阵生成对应有向图;最后,通过对有向图的顶点分类实现球员的分类。实验结果表明,本文提出的方法能够在没有先验模板信息的条件下,能够有效地解决处在分类边界上的球员分类问题,获得98.23%的分类正确率,与传统方法相比,具有更好的分类效果。     

视频监控中人的运动检测方法研究与实现

为了提高视频监控的实时性、准确性和可靠性,引入运动目标检测非常必要,而在此基础上的人运动检测更是后续各种高级处理的基础。根据视频监控的特点,采用一种基于自适应背景图像估计与当前多帧图像的混合差的算法来实现快速精确地检测和提取运动目标区域,并充分利用视频图像的时域连续特性和人脸肤色信息,实现快速可靠的人脸定位,从而准确定位人运动区域。实验表明,该算法对人的运动检测在光线、姿势变化等情况下具有良好的鲁棒性,适于实时监控系统的应用。     

Robust video hashing based on representative-dispersive frames

This study proposes a robust video hashing for video copy detection.The proposed method,which is based on representative-dispersive frames(R-D frames),can reveal the global and local information of a video.In this method,a video is represented as a graph with frames as vertices.A similarity measure is proposed to calculate the weights between edges.To select R-D frames,the adjacency matrix of the generated graph is constructed,and the adjacency number of each vertex is calculated,and then some vertices that represent the R-D frames of the video are selected.To reveal the temporal and spatial information of the video,all R-D frames are scanned to constitute an image called video tomography image,the fourth-order cumulant of which is calculated to generate a hash sequence that can inherently describe the corresponding video.Experimental results show that the proposed video hashing is resistant to geometric attacks on frames and channel impairments on transmission.     

颜色和帧间信息相结合的视频奇异段检测

提出了一种对视频序列进行段奇异性检测和等级划分的方法。该方法首先选择直方图信息来体现段内颜色变化情况,将段内所选视频帧的直方图组合成直方图矩阵。为了提高处理效率,利用主成分分析对直方图矩阵进行降维。然后选择帧间信息来体现段内的运动变化情况。最后,将两类特征的结果进行融合,得到最终的检测结果。该方法对一定数量的样本进行了实验,实验结果表明,该方法能够很好地实现视频段的奇异性检测和排序,性能也比其他方法有所提高。     

基于参考帧的视频播放超分辨率放大算法

利用连续视频各帧之间的时域和空域相关性,在视频播放超分辨率插值放大重建时,主要对I帧进行边缘检测插值,而对P帧和B帧图像的插值则参考I帧的插值结果,从而提高整个视频播放的主观质量,计算量也不大.实验结果表明,本算法对提高每帧图像以及整体视频主观质量均有明显效果,大大减少了播放时由于视频的放大而出现的块状和锯齿状等失真.     

改进型虚拟线式视频车辆检测算法

在智能交通系统中,虚拟线式视频车辆检测算法广泛应用于交通流检测。虚拟线式视频车辆检测算法仅利用像素的亮度信息,受阴影和图像噪声的影响较大,在某些情况下认假率和拒真率比较高。为此提出一种改进型算法,采用两级检测方式,兼用了像素的亮度信息和色度信息。第一级处理利用亮度信息进行检测,第二级处理利用色度信息进行检测,根据色度信息修改亮度阈值。实验结果表明,改进型算法可有效克服阴影和图像噪声的影响,平均认假率为0.71%,平均拒真率为0.81%,与原算法相比均有明显降低,并且满足实时性要求。     

基于HMM的足球视频语义分析研究

针对视频高层语义分析问题,文章结合足球比赛的领域知识,按照足球比赛转播,视频编辑的一般规律,根据足球比赛语义事件随机性的特点,选择特定的视频物理特征,应用 HMM (隐马尔科夫模型) 分析视频的语义结构,确定视频和HMM 模型中各元素的对应关系,构建一个基于HMM 的视频语义分析框架,并通过进行足球视频 HMM 参数的训练,得到视频各语义事件的 HMM 模型,达到视频语义自动分析的目的.     

基于脊波运动检测的监控视频压缩方法

研究了一种基于运动检测的监控视频压缩方法,即先判断出相对于背景场景来说具有感兴趣运动变化发生的图像帧,再对判断出的图像帧进行低损失或无损失的压缩,剩余的图像帧进行高比率的压缩。为判断视频帧有无感兴趣运动变化发生,研究出基于新的多分辨率分析工具——脊波和背景减除法的混合方法,该方法能有效地定位出具有感兴趣运动变化发生的图像帧,并具有计算量较小、人工干预较少、受光照变化影响较小的优点。     

基于视频的高速公路车辆检测和跟踪算法

采用一种基于像素的新方法来更新背景，同时将工作区域分为车辆检测和车辆跟踪两个部分，在车辆检测区建立跟踪对象，在车辆跟踪区仅仅对跟踪对象进行预测跟踪，从而减少了跟踪的盲目性和算法的计算量，提高算法精度。根据该算法设计的视频检测器已用于实际交通参数的采集，统计的结果表明该算法检测和跟踪的正确率分别高于96%和97%，并具有很好的实时性，能满足管理部门的需求。     

压缩域视频处理关键帧提取技术的初步研究*

将视频序列通过关键帧提取的方式转换成静态图像,然后利用图像处理技术进行分析是视频处理的一种有效方法。首先讨论了近年来基于压缩域的关键帧提取技术,然后分析和讨论了针对敏感视频识别应用的关键帧提取方法,并给出了一种快速有效的关键帧提取方案。     

基于背景减除法的视频序列运动目标检测

视频序列中运动目标的检测是目标识别、标记和追踪的重要组成部分,背景减除法是运动目标检测中被广泛应用的算法。针对光线变化、噪声和局部运动等影响运动目标检测效果的问题,提出一种基于背景减除法的视频序列运动目标检测算法。该算法结合背景减除法和帧间差分法,对当前帧像素点的运动状态进行判断,分别对静止和运动的像素点进行替换和更新,采用最大类间方差（Otsu）法对差分图像进行目标提取,并使用数学形态学运算去除目标中的噪声和冗余信息。实验结果表明,所提算法对于视频序列中运动目标的检测具有较好的视觉效果和较高的准确度,能够克服局部运动以及噪声等缺陷。