基于改进的三帧差分法运动目标检测

为了提高运动目标检测的准确性和效率,提出了基于改进的三帧差分法检测运动目标的算法.该算法对传统的三帧差分法进行了改进,结合了单高斯模型背景提取、背景自适应更新和自适应阈值提取的方法,从而解决了传统三帧差分法中可能出现的无法检测出完整的运动目标的问题.背景的自适应更新和自适应阈值的提取减少了光线亮度变换以及噪声对运动目标检测带来的影响.实验表明,该算法与传统的三帧差分法相比可以更加完整地检测出运动目标,并且可以有效地避免出现“漏检”等情况,提高了运动目标检测的效率和准确性.     

基于改进的单高斯背景模型运动目标检测算法

针对传统单高斯背景模型(SGM)存在的背景模型不能很好地自适应背景变化、目标检测不完整的问题,提出了一种改进的单高斯背景模型运动目标检测算法,该方法结合单高斯背景模型和mean shift原理对运动目标进行检测。取前N帧视频样本的均值作为初始背景模型,对当前帧图像进行运动目标的初检测,根据单高斯背景模型更新原理用当前帧图像对检测为背景的点进行背景模型更新,对更新后的背景模型中不属于背景点的像素点进行mean shift修正,将进行mean shift修正后得到的背景模型作为最终的背景模型,再通过背景差分法最终检测出运动目标。实验表明,改进的算法能很好地克服背景模型不能自适应背景变化的缺点,目标检测完整度比传统的单高斯模型高。     

基于五帧差分和模板匹配的运动目标检测识别

针对帧差法和背景差分法检测运动目标准确率低,自适应能力弱等缺陷,提出了一种改进五帧差分法与背景差分法和模板匹配相结合的运动目标检测和识别算法;通过改进的五帧差分和背景差分法融合的算法从视频图像序列中检测出运动目标;利用形态学方法去除噪声,改善运动目标提取效果;在Harris算法提取图像匹配特征值的基础上角点配准,提高图像识别的准确率,通过提取目标特征与自适应模板图像进行特征匹配的方法实现了目标检测识别和跟踪。仿真结果和实验表明该方法有噪声和部分遮挡的运动目标有良好的检测识别效果,识别率达到了95%。     

基于图像融合的空间运动目标检测算法

文中提出了一种结合背景减除法和瞬时差分法在图像序列中检测运动目标的算法．算法利用瞬时差分法得到当前图像中运动目标的轮廓信息,在更新背景模型时不更新运动目标轮廓内区域,避免了由运动目标引起的背景模型更新误差．实验结果表明,该方法可以实现静止背景下图像序列中运动目标的检测,具有实时性,并能得到较好的检测结果．     

基于视频图像中运动目标检测算法的研究

运动目标检测是从实时捕获的视频序列图像或视频文件中将与背景存在相对运动的目标找出来。帧差分法和背景差分法是运动目标检测中常用的方法,文章主要研究了背景差分法中的单高斯背景模型和高斯混合背景模型的基本原理,对这两种算法进行了详细描述,对高斯混合背景算法进行了改进,实验结果表明,改进后的算法在目标检测质量是相对于原来的背景的基础上差分法,混合高斯模型数据量很小。     

基于OpenCV的运动目标识别算法与实现

介绍一种结合背景差分法和瞬时差分法的在视频序列中识别运动目标算法。该算法利用瞬时差分法得到当前帧中运动目标的轮廓信息,在更新背景模型时不更新运动目标轮廓内区域,避免了由运动目标引起的背景模型更新误差。给出用OpenCV实现算法的具体过程和关键代码。实验结果表明,该方法可以实现视频序列中运动目标的识别,具有实时性,并能得到较好的识别结果。     

基于减背景和混合差分的运动目标检测算法

针对固定摄像机条件下的视频监控问题,提出了一种基于背景相减法和混合差分法相结合的运动目标检测算法。该方法对彩色图像建立混合高斯模型,对背景模型进行实时更新;并对帧间差分法进行了改进,提出混合差分的思想。通过背景相减法和混合差分法的结合,采用形态学滤波的方法去除噪声点,检测到确切的运动目标。实验结果证明,文中提出的算法能准确地建立背景模型,既完整地提取运动目标,又适应复杂环境的变化,提高了运动目标检测的精确度和速度。     

基于自适应背景图像更新的运动目标检测方法

在运动目标的实时检测中常用的方法是背景图像差分法,但因其缺乏背景图像随监视场景光照变化而及时更新的合理方法,限制了本方法的适应性.对此,本文首先提出了一种基于光流场等技术的自适应背景逼近更新方法,并根据彩色差值模型得到差分图像;然后引入Gauss模型实现运动目标的自适应阈值分割.实验结果表明:本文提出的背景更新方法可随着光照条件的变化实时、准确地更新背景图像,在此基础上提出的基于Gauss模型的自适应阈值分割方法可以实现运动目标的完整分割,这为运动目标的后续识别与理解奠定了基础.     

基于改进的Camshift运动目标跟踪算法的研究

针对基于颜色概率分布的连续自适应均值漂移算法(Camshift)跟踪算法在背景中出现相同颜色干扰时容易致使跟踪目标失败的问题,提出了一种改进的Camshift跟踪算法。首先对Camshift跟踪目标前进行目标检测,通过帧差法、光流法、背景差分法三种检测算法对比,采用背景差分法得到的运动目标区域矩形特征参数作为Camshift的初始化参数,取代一般Camshift算法利用颜色特征的跟踪。最后对改进的算法和一般Camshift进行仿真对比实验。实验结果表明,结合背景差分法和连续Camshift算法的运动目标跟踪在一定程度上满足了实时性与稳定性的要求。     

基于混合高斯模型的运动目标检测

针对现有方法在复杂的环境下不能很好地检测出运动物体的问题,提出了一种改进的基于混合高斯模型的背景消减法检测运动目标。改进了背景模型的更新算法,提高了背景更新速度。利用帧间差分法消除了运动影子和光照突变问题,并采用（r,g,l）颜色空间检测和抑制了运动阴影。实验结果表明,该算法能很好地提取出运动目标。     

周扫条件下的红外运动目标检测

针对周扫条件下的运动目标检测出现的问题,提出了多种解决办法,并从中选择最优方案。首先根据系统红外图像特点,使用投影匹配法进行图像配准;然后针对现有运动检测算法中存在的问题,结合帧间差法和经典自适应背景差分法的优点,提出一种基于分级自适应背景差分的运动检测方法,使得伪运动目标明显减少;最后针对剩下的伪运动目标,借鉴图像配准方法,提出了一种基于最小平均灰度差判定真假运动目标的方法,有效剔除了伪运动目标。实验结果表明所提出的算法能快速有效的解决周扫模式所带来的各种问题。     

静态背景下的运动目标检测算法

运动目标检测是计算机视觉研究的重要组成部分。为了改进传统运动目标检测算法存在空洞、阴影和虚假边缘现象,提出一种静态背景下基于五帧差分与背景边缘差分相结合的运动目标检测算法。该算法首先利用优化的Canny边缘检测算法快速简单地构建稳定的背景边缘模型,同时利用背景边缘检测差确定运动目标边缘;之后与五帧差分法检测的结果相累加;最后通过同化填充和后期相关处理提取完整、准确的运动目标区域。实验结果表明,该算法准确率高,连通性好,能满足实时性检测的要求。     

基于区域特征的视频序列人脸快速检测

提出了一种基于区域特征的快速人脸检测算法.采用瞬时差分和背景差分获取并跟踪运动目标.消除了运动目标引起的背景模型更新误差.在检测到的运动目标区域内.通过基于区域特征的马赛克三分图模型检测人脸区域,并利用频率直方图方法合并所检测区域,最终获得人脸位置.实验结果表明,平均检测时间为30ms/帧,检测准确率可达95.7%,算法复杂度低、检测效果好,适合各类视频图像的人脸实时检测.     

一种新的基于时空信息的视频分割

提出了一种新的基于时空信息的视频分割算法．即先将原始图像标记成不同的区域,然后以帧间差分得到的对象运动信息作为评判准则,将这些区域分别归类于前景对象和背景．达到对象分割的目的。特别是在区域标记的过程中,采用了一种新的基于分水岭的区域标识技术。通过对标准图像序列的实验结果可以看到,利用该算法能够较精确地分割出视频对象。     

基于融合差分的可变光强自适应目标识别算法

主要研究视频监控系统中运动目标检测算法,提出一种背景差分与帧间差分相融合的方法。该算法通过多次差分以及判决区域的相关运算划定背景区域和运动区域。同时参考相邻帧平均灰度信息更新背景帧以适应光线变化对判断造成的影响。在图像后处理中结合相关形态学算划分最终的运动目标。该算法可实现运动目标的快速准确定位和区域估算,实验表明该算法的时间复杂度和空间复杂度低,效果良好。     

基于帧差与统计法的运动目标背景图像提取算法

针对一般背景提取算法运算复杂、实时性差等缺点,提出了一种新的基于帧间差分与选择性统计相结合的背景提取算法.通过帧间差分和统计,对图像进行分块选取,削弱了运动物体和噪声对于像素分布的影响.实验表明,上述算法所取得的背景效果良好,并可快速有效地对背景进行提取和更新.     

运动人体轮廓检测算法的分析与改进

在视频序列的人体运动分析中,实时分割出运动的人体,是研究的关键步骤。为了克服不均匀光照、前景运动缓慢、背景中存在摇摆的树叶等因素对检测带来的影响,提出了一种背景减除法与帧间差分相结合的运动目标检测方法。该方法首先通过基于帧差法的背景模型建立方法建立背景图像,再结合背景减除与带有权值的帧间差分检测运动目标,降低目标物体对速度和环境干扰的敏感性。最后通过形态学梯度运算操作消除外界噪声的影响。实验结果表明,本文提出的算法计算简单,对环境适应能力较强,是一种有效的运动人体检测方法。     

尺度自适应CBWH跟踪算法研究

传统Mean Shift跟踪算法存在固定核窗宽导致目标尺度定位和空间定位不准确的问题。本文在背景加权的均值漂移算法(corrected background-weighted histogram ,CBWH Mean Shift)精确的目标定位基础之上,在RGB颜色空间下使用目标背景加权模型生成目标显著特征的颜色概率图,对其进行阈值分割和图像处理后获取二值图像,以此计算不变矩来调整下一帧的跟踪窗口,并在满足一定条件时及时更新背景加权模型以适应复杂背景下的跟踪任务。实验结果表明,上述方法能够自适应地更新核函数的带宽,提高了算法跟踪尺度变化目标的准确性和鲁棒性。