基于多特征融合的运动阴影去除算法研究

在自动视频监控系统中,阴影是影响目标检测和跟踪的主要因素之一。为了去除阴影的干扰,提出一种区域梯度、颜色和轮廓多特征融合的方法。改进轮廓计算方法,巧妙利用轮廓分割区域,合理使用轮廓填充区域,这些改进使本方法更具鲁棒性和更广适用范围。实验结果表明,该方法在不同场景下可以有效地去除阴影。     

基于阴影位置及边缘信息的阴影去除算法

介绍了基于阴影位置及边缘信息的去除阴影算法。首先,估计光照方向,确定阴影方向;然后,基于边缘信息检测阴影设法消除外轮廓边缘,利用提取的前景图像减去构建的前景,得到阴影区域;最后,比较阴影方向,如果方向角在一定阈值范围内,则为实际阴影区域。实验结果表明,去除阴影的方法快速、准确。     

运动目标去除阴影的跟踪

运动目标的影子会降低视频监控的性能,本文提出了一个提高目标跟踪精确率的去影算法。该算法由四部分组成:建立一个实时性很强自动更新的背景模型,提取运动目标区域,消除运动目标的影子,最后对已去影的运动目标进行检测和跟踪。实验结果表明我们的算法在处理目标去影跟踪上有着良好的性能,能在一定的程度上解决运动目标的遮挡问题,并去除目标自的阴影,提高了运动目标跟踪的鲁棒性。     

运动目标检测中的阴影去除方法

采用背景减法检测运动目标时常常将阴影点检测成前景点,对目标分割和提取产生严重影响。为了准确提取运动目标,提出了一种基于对梯度分析的阴影去除方法。实验表明,该算法抗干扰能力强,复杂度较低,可以实现实时处理。     

基于整数小波变换的运动物体阴影去除算法

小波变换具有多分辨率分析的特性,整数小波属于二代小波,其不仅延续了小波变换多分辨率分析的特性,而且在运算快速性方面具有自身独特的优势.将整数小波变换应用于交通场景的车辆阴影去除,不仅能够充分发挥整数小波变换的多分辨率分析特性,而且兼顾了交通监控实时性的要求.实验结果表明,将整数小波变换应用于车辆阴影去除在处理效果和实时性方面获得了比较好的折中,是一个有益的尝试.     

基于颜色空间转换的运动目标检测与阴影去除

针对室内视频监控中运动目标检测常出现的阴影误检,提出了一种基于颜色空间转换的自适应背景建模和阴影消除算法.在RGB空间采用自适应背景差对视频图像进行前景背景分离,并将检测出的前景目标锁定在活动轮廓矩形框内进行目标跟踪,对于误检的虚假目标(即阴影),利用其亮度等信息,在HSV空间去除.经实验验证,该算法对阴影的去除有良好的效果,能准确检测出真实目标.     

单幅图像阴影检测与去除算法的研究

阴影检测和阴影去除在图像中扮演着至关重要的角色。尽管目前已经有很多算法在不同的环境和假设前题下被提出,但检测自然场景中的阴影并将其去除仍然是一项具有挑战性的任务。文中阐述了单幅图像阴影检测和去除的典型算法,并进一步分析了各自的原理以及优缺点。为了更直观地对比各种算法的处理效果,文中给出了不同算法对同一幅图像进行检测及去除的实验结果。最后对这些算法的优缺点进行总结,并对今后阴影检测与去除算法的发展应用进行了展望。     

基于帧差法的运动车辆阴影去除算法

在视频交通车辆目标检测中,阴影问题是影响其检测准确性的关键问题之一.为了解决这个问题,提出了一种结合单模高斯模型和帧差法的运动目标阴影去除方法.首先通过单模高斯模型背景建模获取前景包括阴影在内的目标图像,再结合帧差法去除阴影.实验结果证明,该方法得到的车辆目标比较完整,并较好地去除了运动车辆阴影.     

视频图像中的车辆检测及阴影去除方法研究

视频监控系统成为近年来的研究热点。文中针对交通智能视频检测系统的车辆检测问题,采用基于高斯混合模型方法来检测视频中的运动车辆,结合车辆阴影纹理不变的特性分割阴影,实现了运动车辆的检查识别和阴影去除。仿真实验达到了预期效果。     

室内夜间微弱光源下运动目标检测和阴影去除

提出一种新的室内夜间微弱光源照明情况下的运动目标检测方法。首先进行背景建模, 获取稳固的背景图像, 之后对背景和当前帧图像进行图像增强处理, 提高其清晰度; 采用相对背景减法检测前景运动目标, 并对差分图像进行去噪和修补; 利用前景目标区域、阴影区域和背景区域像素亮度值存在差异的特点, 检测和去除背景差分图像中可能存在的阴影, 获得准确的运动目标。在室内夜间环境下采集视频进行试验, 结果验证了所提方法的有效性。     

基于视频的车辆检测中检测与去除阴影的一种有效方法

本文针对视频车辆检测系统中的关键步骤-视频检测中的阴影去除进行深入研究,在分析了阴影产生的原因和阴影的特点之后,综合利用灰度图像及其差分后的二值化图像,提出了一种基于背景差分的检测与去除阴影的新方法.实验证明,该方法能够较好地去除运动车辆的阴影,保留比较完整的车辆目标信息, 为准确提取车辆目标奠定了基础.     

基于信息融合的视频序列图像中运动目标分割的研究

该文提出一种基于信息融合的方法分割视频序列图像运动目标。在彩色图像分割中,将部分空间信息介入到迭代均值偏移过程,实现无参数聚类。然后利用所提出的求等同标志连通区域的方法,将聚类后的图像划分成不同的独立区域;再利用HOS(高阶统计)方法进行运动检测,经后处理,得到运动目标粗模板。统计这个运动粗模板中等同颜色区域占原图像相应独立区域的比重,比重超过预置阈值的,则将该独立区域作为待融合区域。最后,将所有的待融合区域连接起来,就构成了运动目标模板。     

视频合成孔径雷达双域联合运动目标检测方法

视频合成孔径雷达(SAR)具有高帧率成像能力,可作为地面运动目标探测的重要技术手段。经典SAR地面动目标显示(SAR-GMTI)依靠目标回波能量来实现动目标检测,同时动目标阴影亦可作为视频SAR动目标检测的重要途径。然而,由于动目标能量和阴影的畸变或涂抹,依靠单一方式难以实现稳健的动目标检测。该文基于目标能量和阴影的双域联合检测思想,分别通过快速区域卷积神经网络和航迹关联两种技术途径实现了视频SAR动目标联合检测,给出了机载实测数据处理结果,并进行了详细分析。该文方法充分利用目标阴影与能量的特征及空时信息,提升了机动目标检测的稳健性。      

基于图像融合的运动目标轮廓提取新方法

提出了一种新的运动目标轮廓提取方法。该方法分为3个步骤：对于红外与可见光图像序列,首先应用运动分割得到运动目标的初始轮廓线;其次,使用了动态轮廓线使其收敛到目标轮廓;最后,应用了两种新的图像融合方法,第1种方法求解两类模式图像的动态轮廓线控制点向量差的L2范数平方极小化,第2种方法通过图像配准实行改进的微分耦合。对比检测实验表明,第2种方法具有较好的融合效果。同时,设计了一种基于Newmark方法的动态轮廓线快速迭代算法,该方法如Wilson-θ方法的对比实验表明,Newmark方法稳定收敛的迭代时间降低了21．01％。     

铁路视频监控中运动目标检测算法研究

运动目标的正确检测影响着运动目标能否被正确跟踪与分类,因此成为视频监控系统研究中的一项重要课题。文中对运动目标检测算法进行研究,实现对铁路沿线前方目标的有效识别,针对得到的视频序列,通过混合高斯模型进行背景建模,并与混合差分算法结合实现前景的提取与检测。通过与混合差法相比较,其仿真结果表明,该算法具有一定的可行性。     

基于梯度离散度和互信息准则的残缺指纹方向场重建融合算法

针对残缺指纹中方向场的重构,本文提出了一种利用全局方向信息和局部梯度信息的基于互信息准则的方向场融合算法此算法根据局部梯度信息的竞争性、结合全局方向信息的互补性、冗余性,首先根据局部指纹梯度信息定义离散度,自适应的融合梯度信息,其次运用互信息准则结合指纹全局信息,对残缺部分的方向进行重估和修正根据融合结果,进行后期指纹...     

融合颜色信息与深度信息的运动目标检测方法

基于颜色信息的运动目标检测易受光照、阴影等影响,基于深度信息的运动目标检测存在目标边缘噪声大,无法检测距离背景较近的目标等问题。针对上述问题,该文利用CCD相机获取的颜色信息及TOF相机获取的深度信息分别为每个像素建立颜色与深度信息的分类器,根据像素点的深度特征及前一帧的检测结果,自适应地为每个分类器的输出分配不同的权值,实现运动目标的检测。该文采集多组视频序列进行实验,实验结果表明该方法能有效解决单独利用颜色或深度信息进行运动目标检测时出现的问题。     

多传感器信息融合技术在移动机器人障碍探测中的应用

在移动机器人障碍探测中,需要实时准确的感知环境信息,而单一传感器仅能提供部分环境信息,对环境进行描述时存在局限性。文中提出采用红外传感器和超声波传感器相结合来感知环境信息,完成障碍物信息的采集,并利用自适应加权融合算法实现数据融合的方案。实验仿真结果表明,多传感器数据融合后比单一传感器所采集的数据更接近于真实值,波动性小,并且不易受外界环境的影响。该方案较好地满足了移动机器人障碍探测的需要,具有一定的有效性和实用性。     

基于信息瓶颈法的运动目标区域聚类

基于信息瓶颈理论实现了一种视频序列中运动目标区域的聚类方法。在介绍信息瓶颈方法聚类原理和特点的基础上,对视频序列中的图像混合高斯建模形成各个子区域,然后根据信息瓶颈法对各子区域聚类,使得互信息损失最小。实验结果显示出了该聚类方法能够有效地实现运动目标区域的聚类。