复杂背景下运动点目标的检测和跟踪

为了解决复杂背景下运动点目标的检测和跟踪问题,本文提出了一种基于图像差分和聚类的运动目标检测和跟踪算法.该算法首先根据图像配准的方法,对序列图像进行差分运算,提取出候选的运动目标.在此基础上,利用运动目标在空间和时间上的相关性以及运动目标的轨迹所具有的连续性,采用一种特殊的聚类方法,从噪声环境中正确检测出运动目标的轨迹,并实现对运动目标的跟踪.实验表明该算法能快速检测出复杂背景下的运动点目标,并能有效处理轨迹相交和检测过程中出现新目标的情况.     

复杂背景下一种实用的运动目标检测方法

给出了一种实用的在复杂背景下检测运动目标的方法。提出了对序列差图像进行累积以突出目标和消除干扰的策略,论述了累积图像的性质,解决了自动阈值选取的问题;提出了周期和非周期性运动目标的区分策略,给出了目标的定位方法。尤其对图像噪声、背景干扰和不同图像的特点等给出了一定的分析、描述和针对性解决策略。该文方法可以快速实现并已经取得了很好的应用效果。     

复杂背景下视频运动目标跟踪算法研究

随着视频监控技术的进步,运动目标跟踪作为计算机视觉领域的难点问题,具有广阔的发展前景,其采用的算法种类繁多,效果也各有千秋。结合文献资料介绍了目前普遍适用的四种目标跟踪算法,对比分析了其优势和局限性,可以综合采用两种以上算法进行跟踪研究来提高目标跟踪识别的精度和效率。最后归纳总结了目标跟踪算法亟待解决的问题和研究趋势,对未来跟踪算法的发展进行展望。     

复杂背景环境下运动目标的检测算法研究

首先对运动目标检测的理论和方法以及如何从背景图像中有效提取出前景物体做了简要概述,并结合传统的背景相减法容易受环境光线等外界因素影响这一弊端,提出了一种零均值归一化互相关的方法来实现对运动目标的检测判断.同时,采用了累积直方图的方法获得了一个理想阈值,实现了运动目标物的精确提取.实验证明,该方法较传统的背景相减法有明显的提高,在识别精度上也能达到较满意结果.     

基于G-GMM的视频序列运动目标检测算法研究

为了能够从视频序列中快速准确地检测运动目标,在混合高斯背景差分法的基础上引入Grabcut算法,提出了一种新的运动目标检测G-GMM(Grabcut-Gaussian Mixture Model)算法。首先通过混合高斯模型背景差分法提取运动目标初始二值轮廓,构建其最小的外接矩形;然后初始化矩形内图像信息,寻找潜在前景区域;最后采用迭代算法实现最优化分割,得到准确的运动目标轮廓。实验结果表明,在静止摄像机户外视频监控系统中,提出算法具有较高的准确性和鲁棒性,对刚性和非刚性两类目标都具有较好的检测结果。     

基于全景视觉图像的实时目标检测方法

针对高分辨率输入下全景视觉图像目标检测速度难以达到实时的问题,提出一种以YOLOv3为基础的轻量化网络模型,该模型在牺牲部分检测精度的条件下实现了较好的检测速度提升。为解决全景图像训练数据集样本数量不足的问题,提出一种适用于全景图像的数据增强方法来扩充训练数据集。实验结果表明,利用YOLOv3验证扩充后的数据集以交并比(Io U)为0.5的条件下评估平均精度,与原始数据集相比检测精确度提高4.75%,改进的轻量化模型与YOLOv3相比,网络参数量减少65.08%,检测速度提升31.81%并达成实时检测。     

复杂条件下运动物体的视频检测

提出了一种适合于复杂条件下运动物体视频检测的新方法。首先采用改进的点状相关图法检测出可能存在运动物体的区域,然后对可能存在的运动区域二值化并采用形态学算子去除环境噪音和光线的干扰,精确地确定运动物体的轮廓。大量实验验证了该方法的有效性和实用性。     

低照度视频序列运动目标的检测与提取

由于低照度环境下的成像质量存在比较突出的问题,使得低照度视频序列的运动目标检测与提取成为一项相当困难的工作。本文结合运动信息和梯度信息,提出了一种新的低照度视频序列运动目标检测与提取方法。该方法首先经帧间差分、滤除噪声得到运动区域的初始检测模板,针对初始检测模板中由于照度过低出现的目标漏检现象,采用提取函数法进行低灰度值的运动区域检测,最终形成完整的运动区域检测模板。采用多尺度形态梯度算子进行边缘检测,这种梯度算子抗噪能力强。实验结果表明这种方法能有效地实现低照度视频序列运动目标的检测与提取。     

低照度视频序列运动目标的检测与提取

由于低照度环境下的成像质量存在比较突出的问题,使得低照度视频序列的运动目标检测与提取成为一项相当困难的工作.本文结合运动信息和梯度信息,提出了一种新的低照度视频序列运动目标检测与提取方法.该方法首先经帧间差分、滤除噪声得到运动区域的初始检测模板,针对初始检测模板中由于照度过低出现的目标漏检现象,采用提取函数法进行低灰度值的运动区域检测,最终形成完整的运动区域检测模板.采用多尺度形态梯度算子进行边缘检测,这种梯度算子抗噪能力强.实验结果表明这种方法能有效地实现低照度视频序列运动目标的检测与提取.     

基于背景重构的运动目标检测算法研究与应用

对视频序列中的运动目标检测方法进行了研究,提出了一种基于背景重构的运动目标检测算法。通过自学习方法建立视频图像的高斯模型,构造初始背景图像;运用差分算法,得到运动目标,并对背景图像进行了重构、更新,得到实时背景图像。该方法在有运动目标存在的情况下进行实时建模,实用价值高。     

复杂背景下的多人脸检测方法

复杂背景下采用肤色进行人脸检测具有较高的检测率,但同时也具有较高的误检率,而采用AdaBoost算法进行人脸检测从根本上解决了实时性问题,但是检测率不理想。基于上述原因,采用肤色分割与AdaBoost相结合的方法对人脸进行检测：首先采用肤色分割进行人脸粗定位,然后将粗定位后的人脸候选区域作为AdaBoost检测的输入子窗口进行人脸检测。在预处理过程中,采用可调节结构元素,解决了对于不同图像中大小不一的人脸采用固定的结构元素造成的人脸丢失问题。实验结果表明该方法在提高检测率的同时,也降低了误检率。     

复杂运动状态的视频目标跟踪自适应切换算法

针对实际环境中运动目标的状态转移模型以及随机噪声分布存在的不确定性,提出了一种适用于复杂运动状态的视频目标跟踪算法。该算法同时结合了Kalman滤波(KF)实时性好的优点,以及粒子滤波(PF)能同时处理非线性、非高斯滤波问题的优点,通过对Kalman滤波性能进行分析,定义了评价滤波性能优劣的参数并作为判断条件,实现了不同运动状态下Kalman滤波和粒子滤波自适应切换。通过实验表明该方法在目标运动状态发生显著变化时仍能够实现稳定跟踪,同时具有较高的跟踪精度。     

复杂背景下SAR近岸舰船检测

目的 船舶在合成孔径雷达（synthetic aperture radar, SAR）图像中的检测是研究热点,但目前适合近岸舰船检测的方法并不多。在SAR图像中,近岸舰船受到岸上建筑物的干扰严重,尤其是对于排列紧密的近岸船舶来说,其对比度相似,很难区分船舶与背景。为解决近岸舰船检测困难问题,提出了一种基于加权双向注意金字塔网络的近岸舰船检测方法。方法 本文在FCOS （fully convolutional one-stage）网络的基础上提出了一种新的双向特征金字塔网络。将卷积注意力机制模块（convolutional block attention module,CBAM）与金字塔网络的每个特征图进行连接,提取丰富的语义信息特征;借鉴PANet （path aggregation network）的思想,添加自下而上的金字塔模块,突出不同尺度船舶的显著特征。最后提出了一种加权特征融合方式,使特征图提取的特征信息的着重点不同,提高舰船检测精度。结果 本文在公开的SAR图像舰船数据集SSDD （SAR ship detection dataset）上进行实验。实验结果表明,相比原FCOS方法,本文方法的检测精度提高了9.5%;与对比方法相比,本文方法在同等条件下的检测精度达到90.2%。在速度方面,本文方法比SSD提高0.6 s,比Faster R-CNN （region convolutional neural network）提高1.67 s,明显优于对比方法。结论 本文通过改进特征网络和特征融合方式,提高了算法对SAR图像舰船目标检测中背景复杂、排列紧密的近岸舰船目标的定位效果,有效增强了对舰船目标定位的准确性。     

基于背景分类的运动目标检测算法

针对光线暗、对比度和分辨率低的监控视频,提出了一种基于背景分类的运动目标检测算法。 首先用视频第一帧图像HSV空间的色度H和亮度V作为背景特征进行初始化,建立两种包含色度和亮度特征的背景模型类,即初始化得到的原始背景类和受光照或者其他因素影响得到的在原始背景周围波动的背景波动类,利用这两个背景模型进行前景检测和背景更新。为提高前景检测的准确率,背景模型的更正加入背景更正机制和权重机制,使得背景中样本的数量根据背景的实际情况处在一种动态的变化中,提高前景分割的效率。用不同场景下的监控视频进行算法对比实验,结果证明,该算法获得的前景完整清晰,视频处理的速度较快。提出的算法简单实用,对噪声干扰表现出良好的鲁棒性。     

复杂背景下感兴趣运动目标的跟踪算法

针对由于复杂背景的干扰而导致不能准确跟踪感兴趣运动目标的问题,提出一种基于多特征自适应融合的粒子滤波跟踪算法。首先在HSV颜色空间中得到感兴趣运动目标的加权颜色分布模型,然后利用不变矩特征来消除背景中相似颜色物体和光照变化的干扰,两种特征通过自适应调整权重来更新粒子权值而融合于粒子滤波算法中,从而能够准确和稳定地跟踪运动目标。实验证明,该算法在运动目标平移、姿态变化、遮挡、光照变化及相似颜色干扰等复杂背景下都能够准确地进行跟踪,对背景干扰具有很强的鲁棒性。     

基于高斯背景模型的红外人体运动目标检测技术

针对红外监控中人体运动目标的空洞和拖尾问题,提出了一种基于高斯模型的运动目标检测方法。首先,介绍了红外图像的预处理;其次通过与其他经典的人体运动目标检测算法比较与综合,引入高斯模型,建立背景图像的自适应模型。该种模型主要使用了拟合修正的方法处理了红外监控背景图像中的差分信息,过滤图像中的噪声等相关外部环境干扰因素,从而更新红外图像中的背景信息,提高了红外监控系统图像中人体运动目标的检测清晰度,并进一步提高了红外监控图像的精度。同时,还对该方法进行了必要的仿真实验。仿真结果表明,提出的方法可以准确地检测红外监控图像中的人体运动目标,较好地避免了人体运动速度过快或过慢所产生的拖尾或空洞现象。     

BEMD在复杂背景下弱小目标检测中的应用

针对复杂背景下的弱小目标检测与识别问题,提出了一种基于二维经验模态分解(Bidimensional Empirical Mode Decomposition,BEMD)的检测算法。待检测的原图像经过BEMD分解筛选出多个二维的内蕴模函数(Intrinsic Mode Functions,IMF)和趋势图像,使用全局门限法分割各个IMF,将处理后的IMFs综合成一个分割出待检测目标的结果图像。实验结果表明,该方法使用简洁的步骤,有效、准确地检测出弱小目标。     

红外背景抑制与小目标检测算法

目的 针对Robinson guard滤波器的局限性和红外图像背景抑制问题,提出一种新的红外背景抑制滤波算法。方法 首先通过形态学Tophat算子对图像背景进行抑制,然后对背景抑制后的图像采用改进的Robinson guard滤波器进一步凸显目标,并通过阈值化分割出感兴趣区域,在此基础上,利用Unger平滑去除小的噪声点,最后用局部信杂比（SCR）和移动式管道滤波剔除伪目标,实现运动小目标的准确定位。结果 采用3组不同的红外背景图像序列进行实验,所提算法对不同背景均有很好的抑制效果,与传统Robinson guard滤波方法相比,本文算法不仅能更有效地保留目标的特征信息,而且对3组图像序列的小目标的检测率分别提高了1.1%、2%、11%,虚警率分别降低了14%、12%、16%。结论 本文算法能有效地检测出小目标,具备较高的准确性,对于低信噪比的图像具有良好的适应性。同时,本文算法具有较高的实时处理能力,有利于实现实时性技术应用。     

基于自适应背景匹配的运动目标检测算法

为了减小所提取的背景对后续目标检测的影响,提出了基于自适应背景匹配的运动目标检测算法.通过改进的Mode算法结合自适应背景匹配更新机制获得可靠的背景,在此基础上结合绝对差分和具有双动态阈值的Cauchy分布模型建立了目标检测总体模型,从而实现对视频序列中的运动目标进行检测.通过对行人和车辆等不同监控对象的实验,验证了算法具有良好的噪声抑制能力和对慢目标良好的鲁棒性,同时能有效的分割前景目标.