一种有效的道路背景提取与更新算法

针对复杂环境中道路背景图像的快速获取问题,提出了一种快速有效的道路背景提取和更新算法。应用改进的多帧平均算法提取背景,采用改进的Surendra算法对背景进行更新。实验结果表明,该算法能够减轻初始静止车辆对背景建立的影响,能及时消除由于初始帧中目标移动而造成的鬼影,对光线变化鲁棒性高、速度快、更新效果好。     

具有自适应能力的背景模型构建算法

对基于视频的车辆检测中的背景差分法进行了研究,提出了一种新的背景模型构建算法.该算法在初始化过程中有选择地采用动态帧数的图像作为计算帧,使背景模型的初始化具有较高的精度和效率;在背景更新时采用动态加权系数,使背景学习具有较快的速度;在进行背景差分时采用动态阈值,既使背景更新具有较高的准确度,又使视频分割具有较高的精度.经实验验证,该算法能够很好地检测出车辆,并具有较高的精度和效率.     

一种有效的运动物体检测方法

为了从监控视频中检测出较高质量的运动物体,文章提出了一种基于帧间差分和背景差分相结合的运动目标的检测方法,并且采用像素级和帧级背景更新相配合的一种背景更新策略。算法求取各像素点处的最大概率灰度,从而提取出连续视频的背景图像;相邻帧则利用帧间差分法以及背景差分法得到两幅运动区域图像;将两幅运动区域图像相与,提取出较为准确的运动目标。实验证明,该算法对光线的变化鲁棒性较高,运算速度较快,且能够及时的响应监控视频的实时变化,提高运动目标的检测质量。     

基于最近邻域像素梯度的视频背景快速提取

针对嵌入式设备对视频背景的实时提取问题,提出一种基于最近邻域像素梯度（N2PG）稳定性的视频背景快速提取方法。首先,以视频中任意帧作为初始背景,并计算此背景图像的N2PG矩阵;然后,以背景帧之后若干帧图像作为背景更新图像,同理计算N2PG矩阵;最后,将背景图像N2PG矩阵与更新图像N2PG矩阵进行差分,并通过实时估计的梯度稳定性阈值快速判断背景模型中各像素点是静态背景像素点还是非背景像素点,进而对其更新或替换,以得到视频当前背景。经计算机仿真测试,与常用的卡尔曼滤波法和混合高斯法相比,基于N2PG的视频背景提取方法得到相同质量背景仅需10~50帧图像,并且平均处理速度分别提高36%和75%;和改进的视觉背景提取（ViBe）算法相比,在所需帧数和所得背景质量相近的情况下,该算法背景更新速度提升一倍。实验结果表明,基于N2PG的视频背景提取算法具有很强的自适应性,并且速度快、内存消耗小,背景提取准确度达到90%以上,可满足真实自然环境下嵌入式视觉设备的应用。     

视频监控系统中运动物体的实时检测

介绍了在视频监控系统中,以最长静止分段中点算法恢复视频背景,并利用VFW机制中的回调函数来实时更新背景,以最大类间方差法计算最佳分割阈值,实现对运动物体的实时检测,以提高其可靠性。     

基于图像处理的公路车流量统计方法的研究

本研究提出了一种车流量的统计算法,处理步骤包括:提取与更新道路背景图像、使用自适应阈值提取运动车辆、去除车辆阴影、区分不同车辆和利用车辆中心的连续匹配来确定车辆数目,该算法不受车道的限制,人为影响小,计数准确性高。实验结果表明,本算法能够适应道路背景的多种变化,实现车辆的准确计数。     

车辆检测系统中背景提取与更新算法研究

为了提高车辆检测系统的车辆识别率,本文提出一种改进的Surendra背景更新算法,并在不同的环境下与系统原来使用的多帧图像平均背景更新算法进行实验比较。实验结果表明,新改进的Surendra背景更新算法比老算法有较明显的综合优势,能够荻取准确的背景,并可有效地进行背景更新,从而提高车辆识别率。     

基于运动点积累的视频运动目标提取

通过对视频中运动目标特点的分析,提出了一种提取背景图像的算法。使用运动点积累的方法来更新背景图像,然后应用背景差分准确检测出场景中的运动目标。由于视觉的相似性,使得检测出的目标包含阴影,最后使用阴影滤波函数去除阴影,得到完整的运动物体。实验结果表明,本算法具有较好的实时性和适应性,能检测出比较完整的运动目标信息。     

一种基于双背景模型的遗留物检测方法

针对一般遗留物检测算法运算量大和难以适应遮挡情况的问题,提出了一种静止单摄像机条件下快速有效的遗留物检测算法。算法建立了两个基于累积均值更新法的背景模型,分别称之为纯背景模型和脏背景模型。通过两个背景的差别得到静止目标块,并对静止目标块进行跟踪,当静止目标停留超过设定的时间即判定其为遗留物并触发报警。由于算法避免了使用复杂度数学概率背景模型,大大减低了背景更新的计算复杂度,使算法能满足视频监控系统实时处理的要求。同时,算法在静止目标跟踪模块中增加了碰撞帧数计数使遮挡情况下的遗留物跟踪得到更好的效果。在PETS2006数据集提供的多个视频序列实验中,该算法显示了良好的性能。     

一种新的道路背景提取及更新算法

提出一种新的基于颜色模式的道路背景提取及更新算法.通过计算一段时间内视频图像的颜色模式来提取背景图像.为了避免了环境光的扰动对背景图像的影响,引入量化后的颜色模式的计算公式,增强了算法的鲁棒性.通过计算当前图像和背景图像以及上一帧图像的差分,得到不变区域更新背景.实验表明,本算法对光线变化鲁棒性高、速度快、更新效果好.     

运动检测中的背景建立和更新

在传统的差分算法基础上,提出了一种新的背景的建立和更新的解决方法。在背景建立阶段提出了在空域基于象素灰度出现频率最大值的改进快速算法,完成原始背景的建立;在检测阶段,采用自适应Kalman滤波器参数学习完成当前背景的更新。     

基于改进背景减法的视频图像运动目标检测

为解决传统背景减法在动态背景下受噪声干扰和运动目标检测准确性不高的问题,提出一种基于改进背景减法的视频图像运动目标检测方法。在背景建模阶段,为易于计算和提高检测精度,采用基于GMM的图像块均值方法重构背景模型;在目标检测阶段,采用数学形态学和小波半软阈值函数相结合的方法对检测到的运动目标进行去噪处理;在背景更新阶段,采用自适应背景更新方法进行背景更新。实验结果表明,所提方法提高了运动目标检测的准确性,验证了其有效性。     

基于动态阈值对称差分和背景差法的运动对象检测算法*

提出一种基于动态阈值对称差分和背景差法的运动对象检测算法.首先通过建立一个基于统计的可靠背景更新模型,由背景差法得到基本准确的前景图像;然后与用对称差分法得到的差分图像综合;最后得到完整可靠的运动目标图像.中间采用了一种动态的最优阈值获取方法,然后用形态学滤波和连通区域面积检测进行后处理,以消除噪声和背景扰动带来的影响,并用区域填充算法来填补目标区域的小孔,从而将视频序列中的运动目标比较可靠地检测出来.实验结果表明,该方法快速、准确,有一定的实际应用价值.     

结合分块的改进三帧差和背景差的运动目标检测

针对运动目标检测易受背景影响及帧间差分易产生空洞的问题, 提出了一种基于分块的改进三帧差分和背景差分相结合的运动目标检测算法. 该算法利用边缘检测法和均值法建立初始背景模型, 将视频图像划分成多个子块, 对利用改进的三帧差分和背景差分获取的图像的各个子块进行自适应阈值检测, 获取图像中的运动前景目标, 背景图像采取自适应更新方法. 实验结果表明, 该算法能完整的提取运动目标, 背景适应性强, 具有较高的准确性和效率.     

一种改进的基于背景差分的运动目标检测方法

针对传统运动目标检测方法存在的缺点和不足,在对现有目标检测算法进行分析对比的基础上,设计并实现了一种简单有效的目标检测方案。首先提出了一种基于像素灰度归类和单高斯模型的背景重构算法,进而以此为基础采用背景差分法进行目标的检测,同时采用分层背景更新算法较好地解决了"拖影"和光照大面积变化的情况,最后给出了一种解决阴影的简单算法。实验结果表明,该算法高效、快速,可以满足实时检测的需要。     

自适应背景筛选的运动对象检测算法

针对传统帧差法和背景差分法对运动对象检测不准确等不足,提出了一种自适应背景筛选的运动对象检测算法。该算法在采用帧差法构建的背景中标注出原图存在运动对象的区域,筛选当前运动对象区域未被标注且距当前时刻最近的背景与当前帧进行差分,从而提取前景运动目标。与帧差背景结合方法相比,该方法能更好解决因运动对象静止后融入背景建模而导致的检测对象不准确问题,且算法简单,易于实现,满足实时监控要求。实验结果验证了该算法的有效性。     

自适应核密度估计运动检测方法

提出了一种自适应的核密度估计(Kernel density estimation, KDE)运动检测算法. 算法首先提出一种自适应前景、背景阈值的双阈值选择方法, 用于像素分类. 该方法用双阈值克服了单阈值分类存在的不足, 阈值的选择能自适应进行, 且能适应不同的场景. 在此基础上, 本文提出了基于概率的背景更新模型, 按照像素的概率来更新背景, 并利用帧间差分背景模型和KDE分类结果解决背景更新中的死锁问题, 同时检测背景的突然变化. 实验证明了所提出方法的适应性和可靠性.     

分块帧差和背景差相融合的运动目标检测

提出了一种分块帧差和背景差相融合的运动目标检测方法。该方法利用图像分块建立初始背景模型,将视频图像划分为多个子块,对帧间差分图像的各子块进行自适应阈值检测,完成运动目标的粗分割,采用双阈值背景差分和邻域背景差分法对粗分割出来的运动区域进行细分割。背景采用自适应更新方法,能够克服光照变化和背景干扰。实验结果表明,该方法运算速度快、鲁棒性好,能够准确检测出运动目标。     

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。