交通监控系统中车辆和行人的检测与识别分析

在识别以及检测行人以及车辆的过程中主要是将帧间差分结合起来,建立动态交通场景视频图像监控的序列背景模型,之后再借助背景消除法有效检测监控视频中目标的运动状况,将运动目标的轮廓提供出来,最后利用支持向量机,快速识别检测出来的运动目标。研究结果显示,这样的识别和检测的方法更加有助于精确地检测和分类识别,在监控视频中运动的行人以及车辆,自动报警有出现非法入侵的行人。本文探析了在实际的监控交通系统中识别以及检测行人以及车辆的主要状况分析,帧间差分动态更新背景模型的运动目标检测算法,以及基于支持向量机基础之上自动识别行人以及车辆。     

多特征融合的行人目标优选算法研究

行人检测是目标检测研究与应用中的热点和难点,在车辆辅助驾驶、智能视频监控和人体行为分析等领域中占据重要的位置。针对行人检测工程化中相似目标的优选问题,提出一种基于相似度的联合多特征提取方法。首先对目标图像进行高斯预处理,然后将目标图像一分为二,分别提取HOG-HOC特征并计算相似度,最后通过支持向量机SVM确定相似度的阈值,比较目标图像相似度与阈值的大小以确定最优目标。实验结果表明,该方法能有效的解决目标图像的优选问题。     

监控视频中运动目标识别分类系统研究

提出了一种监控视频中运动目标识别分类算法,通过提取视频中运动目标的Zernike矩的7个高阶矩、长宽比和占空比,然后利用支持向量机(SVM)进行训练识别分类.实验结果表明,该算法具有较高的运动目标分类正确率,且通过对比显示该算法优于运用运动目标的Hu矩的高阶矩、长宽比和占空比进行分类的方法.     

一种基于监控视频的出租车识别方法

研究了一种基于视频监控的出租车识别算法.对已经完成跟踪的车辆,通过提取车辆的方向梯度直方图(HOG)特征,作为支持向量机(SVM)分类检测的输入,进行车辆是否为出租车的分类识别.通过多窗口投票机制,增强了分类识别算法的准确性与鲁棒性.实验证明,该方法能准确进行出租车的分类识别,基于实际的标清监控视频,出租车的分类准确率达到90％左右.     

一种基于计算机视觉的行人流量统计方法

提出了一种统计监控视频中行人流量的方法。文中方法利用背景差法提取运动物体,并对运动物体进行跟踪。提取物体的HOG特征,并利用线性SVM判决提取的HOG特征是否符合行人要求,以达到统计视频中行人流量的目的。实验表明在人流量不是特别密集的场景,可以准确地统计视频中的行人数量。     

基于视频的行人闯红灯检测方法

针对行人闯红灯的研究,固定在交通路口的单目摄像机拍摄的视频图像背景基本不发生变化,但是室外环境下受光照、温度、天气以及其他原因造成摄像机自身抖动的影响,背景会随着时间发生一定的变化,需要采用自适应的背景建模方法。现采用了混合高斯背景建模的方法提取运动目标。在梯度方向直方图特征(HOG)基础上,运用MIT行人和汽车数据库通过SVM分类器训练,运用训练结果对视频图像当中运动目标进行分类,识别出视频图像当中的行人,运用颜色直方图、位置和轨迹特征对运动行人进行跟踪,结合交通信号和可行区域判断行人是否构成了闯红灯的行为。对视频图像的处理用于行人闯红灯研究,经实验论证切实可行。     

基于统计分类的多行人跟踪算法

为了使视频监控系统具备多行人自动跟踪能力,提出了一种基于统计分类的多行人跟踪算法。首先采用了背景差和Canny算子准确提取出运动区域,然后利用特征匹配实现帧间目标的对应,最后提出一种利用人体表面颜色空间分布信息的统计分类方法,完成合并或遮挡时多个行人的分离和单独跟踪。实验表明,在相互遮挡时,该算法也能有效地分割和跟踪多个行人,适于智能视觉监控应用。     

一种适应运动前景的快速行人检测算法

针对智能监控视频中行人的运动特性和基本HOG加SVM人体检测算法的特点,将运动目标检测算法融入基本的HOG加SVM人体检测算法。首先,利用运动目标检测算法确定运动区域矩形窗,并扩大调整矩形窗尺寸获得ROI窗口;然后,根据运动区域尺寸与训练样本尺寸的差距调整ROI窗口的首级窗口缩放因子,并对ROI窗口进行人体检测。实验结果表明,本文算法优于基本的HOG加SVM人体检测算法,具有良好的实时性和适应性。     

一种基于视频的道路行人检测方法

提出了一种基于交通视频的道路行人检测方法。首先,采用具有自适应背景更新的背景差法提取运动目标。其次,利用行人的轮廓特征和行人在图像上的像素高度与实际距离的线性变化关系特征进一步分割行人目标,并依据行人位置特征对其做多帧匹配跟踪。最后,结合行人速度特征,实现行人目标检测。实验结果表明,该方法能准确地检测交通场景中出现的行人目标,有效地解决运动车辆的遮挡和光照等对行人目标检测的影响,具有良好的实时性和稳健性。     

基于内容的海量监控视频的多层次检索系统

设计和实现了一种基于内容的海量监控视频的多层次检索系统。该系统首先从监控视频中提取关键帧图像,其次利用行人检测、人脸识别及车辆检测等算法将关键帧中的行人图像、人脸图像和车辆图像等感兴趣目标提取出来,然后提取这些图像的颜色、纹理等特征,利用改进的LIRe(Lucene Image Retrieval)建立分布式的特征库,最终形成了多层次的信息数据库。实验表明,该系统具有较高的检索准确率和较快的检索速率,并支持海量监控视频的检索。     

基于支持向量机的运动目标中人脸检测

本文提出基于支持向量机的运动目标中人脸检测方法.首先采用高斯马尔可夫随机场(GMRF)模型的分割算法将运动目标与背景分开,然后根据灰度投影定位头部区域,最后在头部区域以支持向量机作为分类器提取特征器官位置,依此裁剪出人脸样本.实验表明该方法是有效的,鲁棒的.     

运动目标检测和目标区域的估算

采用三帧差分法检测静止背景下视频序列中的运动目标,得到运动目标的二值图像。并利用矩方法对运动目标的几何特征进行了研究,在此基础上提出了一种运动目标的质心和最小外接矩形的估算算法,并对该算法进行了改进,使之适合噪声干扰比较大的情况。该算法可实现运动目标进行快速准确定位和区域估算,实验表明该算法的时间复杂度和空间复杂度低,效果良好,且具有很好的鲁棒性。     

一种快速鲁棒的视频序列运动目标检测方法

稀疏表示已经成为运动目标检测的有效方法之一,但其还没有很好地解决目标检测的快速性和鲁棒性.本文基于最大后验概率提出了一种快速鲁棒的运动目标检测模型,并设计了该模型的求解算法.该算法包括两个阶段：在第一阶段利用编码迁移实现稀疏系数的快速求解;在第二阶段基于运动目标的空间连续性结构,利用图切实现目标检测.在多个具有挑战性的图像序列上的实验结果表明,与其他经典运动目标检测算法相比,本文方法在快速性和鲁棒性方面具有较优的性能.     

基于YC_bC_r颜色空间的背景建模及运动目标检测

高斯混合模型广泛应用于基于背景建模的运动目标检测中。首先在YCbCr颜色空间采用自适应高斯混合模型对背景的每个像素建模;然后,对输入的当前帧图像的每一像素值与该像素点对应的高斯混合背景模型的各个高斯模型进行比较,将前景运动区域（包括运动目标、投射阴影）从场景中提取出来;最后,采用局部二元图（Lo-cal Binary Pattern,LBP）来提取纹理特征,利用背景在阴影覆盖前后的纹理相似性去除投射阴影,同时结合阴影的空间几何特性优化运动目标检测结果。实验结果表明,该算法能有效地检测出投射阴影和运动目标,具有较高的实际应用价值。     

运动目标检测与跟踪算法的改进与实现

提出了一种对视频图像中运动目标检测并进行实时跟踪的新方法。该方法利用基于背景建模的背景差分与改进的带时间戳的运动历史图像(tMHI)的目标分割相结合的算法对运动目标进行检测,在获取到视频流中的运动目标轮廓后使用基于tMHI的运动梯度算法来实现运动目标的跟踪。实验结果表明,该方法能够对指定区域内的目标进行有效识别和准确跟踪,并且弥补了运动目标暂时性停止时无法检测出来的不足。     

一种基于三帧差分和边缘信息的运动目标检测方法

为了改进目前常用的运动目标检测方法易受到噪声和亮度突变的影响、易出现虚假目标的情况,该文提出了一种基于3帧差分和边缘信息的运动目标检测方法。该方法首先对连续3帧图像进行边缘提取得到3帧连续的边缘图像,然后对3帧连续的边缘图像进行3帧差分运算,最后通过阈值分割和形态学处理完成对目标的提取。该方法计算简单,实验结果表明该方法能对运动目标进行准确检测,且具有很好的鲁棒性。     

基于运动跟踪匹配技术的视频对象提取

本文提出一种自动分割VOP的技术。其方法是：先对初始帧使用形态运动滤波技术提取出初始运动对象的二值轮廓模型,并在后继帧中使用豪斯道夫对象跟踪器跟踪运动以对象模型;而为了适应对象的形状变化,本文使用活动轮廓模型（snake）技术对运动心合匹配;最后根据一系列精确的二值轮廓引导提取运动对象序列。实验结果表明,我们的算法可有效地提取视频对象平面。     

基于2D时空熵门限的运动目标检测

该文给出一种基于二维(2D)时空熵门限进行运动目标检测的方法。研究了几种通用运动目标检测方法的特点,运用2D熵门限分割方法检测运动目标的结构区域,在2D熵门限的基础上,提出了一种快速熵门限求解算法。实验结果表明,这种方法可以很好地检测出运动目标,同时可大大提高运算速度。     

基于多个非刚体目标跟踪的视频对象平面生成算法

提出了一种提取运动对象的新的视频序列分割算法。算法的核心是一个对象跟踪器,它利用一种基于对象行为的跟踪算法对多个非刚体目标有效地进行对象跟踪,并与后续帧进行匹配,然后采用一种基于运动相连成分的模型刷新方法对模型的每一帧进行刷新,初始的模型自动产生,再利用滤波技术滤除静止背景,最后,利用边界图像模型从序列中提取出视频对象平面（VOP）。     

基于边缘多通道梯度模型的多运动目标检测

针对视频序列运动目标检测易受环境噪声干扰、提取目标轮廓困难的问题,提出了一种基于边缘多通道梯度改进模型的多运动目标检测算法。首先,利用Canny算子获取视频序列中目标的边缘信息,并根据人类视觉色彩的恒常特性,对目标边缘建立时间、空间、颜色多通道梯度模型;然后,利用该模型获取目标边缘像素点的运动状态描述信息,实现背景边缘和运动物体边缘的分离;最后,将间断边缘像素点与其邻域点的运动状态相关联,以连接目标间断边缘,实现运动目标轮廓的提取,并将连接后的轮廓进行形态学处理以分割出目标。实验结果表明,与同类型算法相比,本算法在运动目标检测中具有的实时性、准确性和鲁棒性更好。