基于运动目标自适应检测的改进ViBe算法（英文）

传统视觉背景提取(ViBe)算法检测结果存在Ghost区域,且受环境变化影响,在提取前景时容易产生误检或漏检。针对这些问题,提出了一种基于运动目标自适应检测的改进ViBe算法。首先在背景模型初始化过程中,通过对均值背景建模设置调节参数方式获取真实背景,利用该背景初始化ViBe背景模型;其次在前景检测过程中,根据场景变化引入自适应半径阈值对前景进行自适应检测;最后对检测结果中存在的空洞进行数学形态学闭运算填充。实验结果表明,改进算法能够有效抑制Ghost区域,并在环境变化的情况下较完整地检测前景目标,与传统ViBe算法相比,检测的精确率提高了10%以上,误检率和漏检率分别降低了20%和7%,且改进算法满足实时性要求。     

动态背景下基于改进视觉背景提取的前景检测

由于视觉背景提取算法（ViBe）对存在动态背景的户外视频的前景检测结果依然不够精确,故提出了一种改进的ViBe算法。文中描述了经典ViBe算法及其特点;介绍了改进的ViBe算法针对动态背景的改进措施。该算法采用多帧连续图像初始化背景模型,降低了单帧图像初始化所产生的“鬼影"对前景检测精度的影响;在匹配过程中,引入自适应的匹配阈值,克服了单个的全局阈值对动态背景适应能力差的问题;最后,在更新过程引入空间一致性判断与模糊准则来减少算法的误检,提高了算法的鲁棒性。实验结果表明,该算法可以有效地检测动态背景下的运动目标,检测准确率比经典ViBe算法提高了20%以上。     

基于背景差和多层背景的目标持续检测研究

传统的目标检测方法只能检测出运动的前景目标,而进入监控场景后停止或移动缓慢的目标将被更新到背景里.文章提出了一种基于背景差和多层背景模型的前景目标持续检测方法,将背景分为动态背景和参考背景两层,采用改进的Surendra算法快速提取背景;曰标检测中,采用动态背景检测运动前景,通过动态背景与参考背景之差检测出静止前景.对...     

基于ViBe的动态目标检测算法优化

针对ViBe算法在动态目标检测中鬼影和阴影现象难以消除的问题,在ViBe算法基础上提出三点算法优化方法。首先在背景建模中扩大样本取值范围减少判别误差,然后利用鬼影区域定点背景模型重建方法快速解决由动态目标建模中导致的鬼影问题,最后在HSV色彩空间中利用色度找出候选阴影区域,比较区域梯度阀值消除动态目标的阴影。实验证明优化后的ViBe算法不仅保留了其动态目标检测实时性高的优点同时也能够很好的解决原本算法中存在的鬼影和阴影问题,从而能够很好地将动态目标从背景图像中分割,利用分割后的图像可以实现固定背景下动态目标跟踪。     

一种基于改进混合高斯背景模型的运动目标检测方法研究

提出了一种固定摄像头下自适应的运动目标检测方法。该方法基于改进的混合高斯背景模型,通过在线更新模型学习率,实现背景模型更新。最后用背景差分法检测出运动目标。实验结果表明,与传统混合高斯模型的运动目标检测方法相比,该方法有较好的自适应性,能快速适应场景的变化。     

基于色彩相似度的前景有效提取算法研究

提出一种将辅助背景滤波与色彩相似度检测相结合的前景有效提取算法。该算法首先运用背景差分构建辅助背景来描述环境噪声分布,并用辅助背景对疑似前景区域进行空域滤波,以增强算法对背景变化的适应能力;然后建立色彩相似度作为前景目标评价标准,进行前景目标检测;最后对检测结果进行形态学操作,得到比较完整的前景目标。多场景实验表明,该算法检测效果良好,具有较强的鲁棒性,对阴影和光照变化具有很好地抑制作用;同时实时性好,空间复杂度低。     

基于快速背景差分的高速铁路异物侵入检测算法

随着我国高速铁路通车里程不断增加,高速铁路的运营安全备受关注,异物侵入铁路限界对运营安全危害极大,有效检测侵入线路净空的异物对保障高速铁路安全运营具有重要意义。铁路场景环境光线多变和图像通道众多的特点对基于图像的异物检测方法的处理效果和实时性提出了较高的要求。针对铁路场景抖动发生在垂直方向的特点,提出了一维灰度投影结合高斯滤波的图像快速去抖方法,在大幅提高处理速度的同时获得了较好的去抖效果;针对复杂多变的背景,提出了一种基于前景目标统计分布的背景更新算法,定义了目标分散指数用于确定行列投影次序,通过统计前景目标分布实现背景更新,在提高速度的同时解决了传统背景更新算法难以解决的鬼影问题。最后通过背景差分获取前景目标,并通过目标标记、合并与特性分析提高目标检测的准确性。沪宁城际高速铁路典型场景的现场实验表明,该算法能有效检出铁路场景侵限目标,系统综合误检率约为0.54%,漏检率为0。     

多特征融合视频火灾识别研究

针对目前的视频火焰检测算法容易受到复杂场景、光照条件的影响,算法的实时性较差且容易误判等问题,提出一种红外视频图像自适应背景更新疑似火焰区域检测与改进层次分析法多特征融合火灾火焰识别方法。利用改进型自适应背景更新运动目标检测来获取红外视频图像中疑似火焰区域,消除背景干扰,提高火焰静动态特征的提取效率,将火焰的多种特征用三标度改进层次分析法进行融合,实验结果表明该方法对火焰的识别效果更加快速、精确、有效。     

改进的ViBe算法及其在交通视频处理中的应用

基于ViBe算法的运动目标检测具有很高的处理效率,但在复杂背景下也存在缺陷,比如不能有效抑制运动目标的残影和鬼影区域、易受噪音干扰,在交通视频的处理中更为明显。鉴于ViBe算法的这些不足,本文对ViBe原算法提出了改进,结合像素生命长度对鬼影或残影像素进行判断,利用二次更新策略提高消除速度。根据像素值变化引入最大类间方差法,将原有的固定像素阈值变为动态阈值,以提高交通视频中车辆目标检测的抗干扰能力。实验结果表明,在3组不同交通场景视频中,改进算法能够在较少帧数内消除目标的残影或者鬼影。对结果的量化分析也证明了改进算法由于应用了动态阈值,使目标检测的精准度和整体性都有所提高。     

复杂背景中奶粉罐内配件数量检测研究

针对在奶粉罐底部(麻面拱形铝箔)这一复杂背景中检测奶粉勺等配件数量的要求,设计了基于机器视觉实时在线检测系统,提出了一种基于自适应形态学复杂背景图像中前景提取的方法,通过运用球积分光源照明,将采集的图像通过图像平滑、模板匹配、阈值分割、连通区域、自适应形态学去噪,对提取出的奶粉勺配件的像素点进行了统计分析,检测出了奶粉勺数量。实验结果表明,在线检测过程中勺子等配件的正检率为99.99%,误检率小于0.05%,并且该技术适用于现在市面上各种奶粉罐或异型罐内配件、罐内异物及罐壁缺陷的在线检测。     

改进的低秩稀疏分解及其在目标检测中的应用

针对传统低秩稀疏分解算法用于运动目标检测时,前景提取结果容易受噪声干扰以及检测结果不完整的问题,提出了一种新的低秩稀疏分解模型。考虑到视频前景目标呈结构化分布,以及动态背景对前景提取结果造成影响,该模型利用结构化稀疏范数对前景进行约束,且将稀疏部分所代表的运动区域进一步划分为动态背景部分与前景部分;然后采用广义交替方向乘子法对提出的模型进行求解,并分析了算法的复杂度;最后进行仿真实验将其应用到运动目标检测中。实验数据结果验证了提出的方法比其他基于低秩稀疏分解的运动目标检测方法更加稳定有效,更具有普适性,且对不同类型的噪声均具有一定的抗噪性。     

基于单高斯背景模型和双差分融合的运动目标检测算法

提出了一种新的运动目标检测算法,实现了只对帧图中感兴趣的运动目标区域进行背景匹配更新,能够较精确地检测出运动目标。该算法首先提出了双差分模型确定运动目标最大分布的可能区域,然后融合单高斯背景模型对此区域进行背景重建,再运用背景差分得到精确前景目标。仿真试验结果表明,该方法降低了运算的复杂程度,提高了检测精度,具有很好的鲁棒性。     

移动相机下基于三维背景估计的运动目标检测

室内环境中的运动目标检测是计算机视觉领域的研究热点,而移动相机造成的动态背景是运动目标检测的难点。本文提出一种基于同步定位与地图创建(ORB-SLAM)三维背景估计的运动目标检测算法,首先使用移动相机遍历整个室内环境,采用ORB-SLAM技术建立当前全局环境的三维背景特征点云模型;然后基于局部视频建立局部三维特征点云,根据定位信息将当前局部三维特征点云与环境三维背景特征点云进行嵌入,基于环境背景信息,采用三维均值漂移(3DMS)算法,对局部三维特征点云进行前景特征点提取;运用深度卷积神经网络,对提取的前景特征点所在候选区域进行运动目标确认。通过多个室内场景的实际实验进行验证,结果表明本文方法具有较高的运动目标检测准确率和召回率,提出的运动目标检测算法充分利用了三维背景信息,采用深度卷积神经网络进行确认,有效地改善了检测的准确性和鲁棒性。     

基于空时域融合处理检测超大视场红外目标

针对超大视场红外凝视成像系统用于目标检测时存在的背景复杂、杂波干扰多、目标信息少等问题,提出了基于空时域融合处理的目标检测方法。该方法在空域部分优化设计Robinson算子,完成单帧图像的目标初始检测;然后结合超大视场成像特性,利用基于天地线检测的图像区域自动划分和空域虚警抑制方法,有效滤除非目标检测区中的疑似目标。在时域部分则兼顾目标时域特征,采用基于时域多特征约束的邻域判决法对真实目标进行时域确认。开展了月空背景下的空中目标检测试验,验证了本文算法的有效性。试验表明:经空域部分处理后,原始图像中的背景杂波干扰大大减少,目标局部信噪比提高了1.3倍以上,而且疑似目标数目减少了70%;经时域部分处理后,可成功检测出红外弱小目标,并输出其轨迹,检测概率在95%以上,而虚警率不足1.5%,最低目标检测信噪比为2.86。实验表明:本文方法适用于超大视场图像的红外弱小目标检测,对地物背景、恒亮孤立点源、瞬时强噪声等干扰有较强的抑制能力,对点状运动目标有良好的检测效能。