CenSurE特征和时空信息相结合的运动目标检测

提出一种结合中心环绕极值特征(CenSurE)和时空信息的运动目标检测算法,用于提高动态场景中运动目标检测的速度和目标的完整性.首先,根据CenSurE特征点提取的快速性和精确性,使用该特征和单应性变换模型快速、准确地配准运动序列帧间图像,从而补偿摄像机运动引起帧间背景的平移、旋转和缩放量.然后,在时域对背景配准帧用帧差信息生成运动前景掩模,根据前景掩模的空域信息建立动态更新的实时背景,并使用空域背景减除和一种基于概率统计的自适应阈值分割方法提取较为完整的前景运动目标.最后,通过标准视频序列进行测试以验证算法的有效性.实验结果表明,该算法能够达到15 frame/s的处理速度,且在保证检测速度的同时可得到完整的运动目标,基本满足动态场景中运动目标检测的快速性、抗噪性、光照适应性以及目标完整性等指标.     

基于改进SIFT算子的动态障碍物检测方法

针对行车辅助驾驶系统在进行动态障碍物检测时遇到的背景复杂和实时性要求,提出了一种基于快速鲁棒的动态目标假设检测算法,算法首先采用相邻帧间特征点位置估计改进SIFT匹配算子,实现全局背景运动补偿参数快速估计,然后利用三帧差分法对图像处理后,通过改进背景方差估计,改善传统假设检验方法对图像边缘目标漏检的问题,进一步提高动态目标检测的准确性。实验表明,算法不仅保持了SIFT算子的优越性能,提高了参数估计精确性,而且极大地提高了特征配准和检测速度,满足系统的实时性要求。     

基于图像融合的运动目标检测与跟踪方法研究

从运动背景中检测与跟踪运动目标是计算机视觉研究领域的热点,根据帧差法的基本原理,提出了一种针对复杂背景的运动目标检测方法.首先通过设定阈值滤除序列图像中的噪声,然后对三帧算法进行改进,即利用序列中多帧图像融合运动信息,并确定参考区域,通过对原图像进行回扫描,最终提取出完整的运动目标轮廓.最后采用一种运动物体跟踪算法,实现了运动物体和静止物体的识别,克服了以往算法中的误检和空洞问题,实验结果表明,该方法能够满足实时性的要求.     

动基座下的运动目标检测

由于动基座下运动目标的检测存在的背景干扰较大,影响运动目标检测精度的问题,本文提出了一种基于傅里叶变换和核函数-灰度统计图的动基座动目标检测算法,以便较大限度地克服光照变化、背景噪声对运动目标检测精度造成的影响。该算法首先将评价函数引入特征匹配块的选取中完成视频图像背景的分块匹配。然后,采用傅里叶变换的相位相关算法估计全局运动补偿参量;逐一计算各图像子块的高斯核函数值,建立核函数-灰度统计图并通过相邻帧高斯核函数值的变化情况判断运动目标的区域。最后,对包含运动目标的图像子块进行图像分割处理,完成动目标检测。实验仿真表明,与传统的运动目标检测算法相比,该算法中评价函数的评价系数α取0.7,帧间图像块相似度阈值T取0.3时,能有效地抑制光照变化和噪声带来的背景干扰,检测出动基座下的运动目标。该算法具有较快的计算效率,能满足工程上的实时性要求。     

一种区块特征匹配与边缘差分结合的运动目标检测算法

由于动态背景中存在运动目标检测准确率不高、耗时过长,提出一种区块特征匹配结合边缘特征的运动目标检测算法。首先将视频图像目标检测块与背景块分离,对相邻帧背景块进行运动补偿;进而对连续多帧图像进行边缘特征提取,最后对多帧的边缘图像差分,经由形态学处理和阈值分割得到运动目标区域。该算法能有效减少特征提取耗时,降低背景噪声的干扰。实验结果表明,该算法检测运动目标的准确性较好,且抗噪表现较好。     

应用级联分类器检测安瓿内弱小运动目标

针对序列图像内具有低信噪比和低对比度特征的运动目标,提出了一种基于级联分类器的弱小目标检测算法。该算法从安瓿瓶序列图像内提取绝对差分值、局部差分对比度和局部相关系数3个图像特征。每个图像特征对应一个分类器,通过三层级联形式实现序列图像中的小目标检测。第一个节点与传统帧间差分法类似,主要去除大量背景图像并检测出大颗粒运动目标,后两个节点则用于检测弱小目标、排除光流和瓶身污渍产生的噪声点。实验结果显示,相对于传统的帧间差分法,本文算法具有高检测精度和高抗干扰能力等特点,不仅可以检测出图像中弱小运动目标,同时也消除了复杂背景下的噪声影响,弱小目标的检出率达到99.3%,并且满足安瓿在线检测的实时性要求。     

基于FPGA的运动目标检测系统的设计

针对运动目标检测对实时性和准确性要求较高的问题,本文设计了一种基于FPGA的运动目标检测系统。首先,用CMOS摄像头采集视频图像,缓存入SDRAM存储器,对缓存的图像采用帧间差分法检测出运动目标;之后,对帧间差分法在画面中产生的空洞与噪声点,采用形态学滤波滤除;最后,将处理后的图像送入图像显示模块进行显示。在QuartusⅡ13.0环境下完成该算法的硬件设计。实验结果表明,设计的系统能够实时地检测出运动目标且准确性高。     

背景运动补偿和假设检验的目标检测算法

根据背景与目标具有不同的运动特性这一事实,提出一种基于背景运动补偿和假设检验的目标检测算法。首先,采用特征点对应法求相邻帧间的运动;然后,用最小二乘法计算出摄像机仿射运动参数,利用此参数进行帧间背景运动补偿后得到稳定的背景;最后,用假设检验方法检测补偿后的帧差图像,经过简单的形态学和连通区域处理后检测出运动目标。仿真表明,该运动补偿算法能有效消除背景突出目标,补偿前后的差分图像信噪比提高了14.71 dB。该算法计算量小,可以成为一种通用的实时目标检测算法。     

基于元胞自动机的动态背景运动目标检测

针对传统运动目标检测算法在动态背景条件下难以准确检测出运动目标的问题,提出了一种基于元胞自动机的动态背景运动目标检测算法。首先,根据SLIC算法分割视频图像,并应用多模态混合动态纹理模型对视频图像进行背景建模。然后,融合空时显著性检测与基于元胞自动机的自动更新机制得到优化的显著性图。最后,通过对优化后的显著性图做适当的阈值分割处理得到视频图像中的运动目标。实验仿真结果表明,在动态背景条件下该算法可以有效的抑制视频图像中非运动目标的显著性物体对检测结果带来的影响,检测运动目标的精度较高,并且具有一定的鲁棒性。     

单对立色流运动下的抠图跟踪

当目标与周围背景相似性较高,且目标运动形式复杂时,很难精确跟踪目标。针对传统目标跟踪方法因目标外观的不精确建模致使模型退化而产生漂移的问题,提出了一种单对立色流特征下的抠图跟踪方法。首先,根据彩色视频帧包含的丰富颜色信息,将单对立色颜色编码方式与Lo G兴趣点检测器结合,获取颜色兴趣点作为目标表示集合;其次,在目标运动预测阶段,通过估计相邻帧兴趣点的流匹配关系,获得预测帧的前景目标兴趣点估计;最后,利用获得的前景兴趣点估计进行抠图,重新划分当前帧的前背景标记,并对模型进行更新。该算法在Segtrack视频跟踪数据集上进行验证,定性定量分析了跟踪目标快速运动,目标形变和光照干扰下的跟踪效果。实验结果表明该算法可有效提高形变目标跟踪的准确性,优于当前目标跟踪的先进算法。     

复杂场景中基于变块差分的运动目标检测

针对复杂场景中包含的摄像机扫描运动、随机抖动和目标运动,提出一种基于帧间可变块差分的运动目标检测算法.首先,利用全局特征点估计运动参数对帧间背景进行补偿,提取图像的全局特征点并匹配,以特征点集的最小位置误差和作为目标进行迭代,获取误差不大于0.5 pixel的全局运动参数,并精确补偿当前帧实现背景校正.然后,利用可变块...     

红外弱小目标的分割预检测

提出了一种目标分割预检测方法来提高检测红外弱小目标的准确性和实时性。针对红外图像的特点,利用改进的自适应背景感知算法抑制目标图像的背景以提高目标检测概率;根据已有的先验知识构造属性集,把灰度直方图限定在感兴趣区域,减少背景的影响;然后,利用属性直方图的最大熵进行图像分割以检测目标。为了提高分割算法运算速度,应用了快速递推算法。实验结果表明,本文提出的背景抑制算法能更好地抑制背景,提高图像的整体信噪比;分割算法具有更好的分割检测效果,候选目标点分割准确、虚警目标点较少,运算速度提高了91%。对分割图像进行后续处理,剔除了大部分虚警目标点,为后续目标准确检测提供了有力保障。     

SIFT特征匹配和差分相乘融合的运动目标检测

针对运动目标检测的难点问题,提出了一种结合尺寸不变特征变换(SIFT)和差分相乘算法的运动目标检测方法.首先,用SIFT特征匹配算法配准运动图像的旋转、缩放和平移量,利用SIFT匹配的稳定性和准确性,精确补偿运动摄像机下的背景图像.然后,用差分相乘方法,准确分割出运动目标的轮廓.最后,通过实拍视频序列的试验,证明算法的...     

基于LPT和改进背景减算法的运动目标检测方法

生物视觉系统具有对运动目标敏感、分辨率调节迅速等特点,能准确无误地识别目标。对数极坐标变换(log polar transformation,LPT)是生物视觉的基础。对已有的传统运动目标检测算法进行了比较分析,并在仿生视觉认知模型基础上提出了一种基于对数极坐标变换和改进背景减算法的运动目标检测方法。该方法使用混合高斯背景建模,通过对对数极坐标变换后的图像进行柔和帧差法和背景建模的背景减算法,实现对运动目标的检测。通过实验分析,结果表明该方法可有效实现目标的准确快速检测定位和跟踪。     

基于背景差分法的多运动目标检测与分割

针对图像序列中的多运动目标的检测和分割问题,本文使用基于背景差分法和相邻帧差分法对多运动目标进行了提取。以179帧图像序列为实验样本对两种方法进行了对比实验,结果显示相邻帧差分法相对于背景差分法一共丢失了159 461像素。对于提取后的运动目标,处理步骤主要为图像预处理、目标检测识别和分割。在Matlab软件中实现了基于背景差分法对多运动目标的检测识别和分割,达到了预期的要求。     

基于相位相关和差分相乘的动态背景下运动目标检测

本文提出一种基于相位相关和差分相乘的动态背景下运动目标检测方法。首先用相位相关算法配准由于摄像机运动导致的图像背景旋转、缩放和平移量,然后用连续四帧图像差分相乘的方法分割出运动目标的轮廓,最后用形态学图像处理方法填补运动目标中的小空洞,并滤除残留的孤立噪声点。经过对多个视频序列的试验验证,结果表明该方法具有良好的性能,它对于各种因素的影响,如光照变化、背景中树叶晃动等局部微小变化、背景配准误差等,都有很强的适应能力。     

基于差分和特征不变量的运动目标检测与跟踪

提出了一种基于改进的图像差分算法与特征不变量匹配的目标识别方法。通过三帧差值法获得了更完整清晰的目标轮廓,并基于该轮廓信息构造了一个具有平移、大小和旋转不变性的特征不变量;然后提出动态极值匹配法,利用特征曲线的极值信息点进行识别匹配,并动态替换原特征模版。实验结果表明,该方法能够准确识别目标,显著地提高识别跟踪效率,并且适用于检测运动姿态发生变化的目标。对于分辨率为288×352像素,每像素8位量化的序列图像,处理每帧图像平均用时0.011 74 s,其中特征提取与匹配过程平均用时0.005 476 s,能够实现对运动目标的实时分析,可同时满足运动目标识别跟踪中实时性和准确率的要求。     

一种复杂背景下运动扩展目标识别算法

目标识别的关键在于提取出目标有别于背景的特有的特征.在复杂背景下,灰度特征、区域特征、形状及纹理特征难以对目标进行有效的识别,而运动特征是明显的有效特征,提出了一种基于稀疏运动场的目标识别方法,首先用改进Barnard算法对相邻两帧图像进行特征点提取,然后在特征空间用块匹配的快速算法估计出稀疏运动场,再进行C均值模糊聚类识别.实验表明这种算法能对复杂背景下高速运动的扩展目标进行快速稳健的识别.     

基于立体视觉的摄像机运动分析

本文提出一种应用在机器人视觉自主导航中的定量分析摄像机运动参数的方法。首先利用立体视觉技术对选定的特征点进行三维测量,然后提出了点于图像坐标系中运动的卡尔曼滤波模型进行帧间的点追踪,最后利用相邻两帧对应特征点的图像坐标应用到投影变换模型中得到摄像机的运动参数。实验证明本算法估计出的摄像机运动参数具有精度高、实时性好等特点。     

基于改进C-V模型的多运动目标分割

针对固定摄像机视频监控中多运动目标自动分割问题,本文提出了一种基于帧间差分和改进C-V模型的新方法。首先,通过自适应阈值获得滤波后的相邻帧差值图像。其次,通过连通域分析和设定阈值,消除差值图像中噪声的影响并标定出运动目标所在的区域,计算运动区域的运动窗口。最后,对所有运动窗口,采用改进的C-V模型作分割,得到封闭和完整的运动目标轮廓。针对C-V活动轮廓模型不能自适应地分割非匀质图像问题,提出利用全局梯度信息演化活动轮廓曲线,根据闭合活动轮廓曲线内外部的梯度信息重新定义图像分割能量函数。实验结果表明,该算法避免了对整个图像的分割,减少了运算量,能实现对刚体或非刚体的多运动目标的自动检测和轮廓分割。