视频运动检测算法的研究和分析

描述了在视频监控系统的特点和现状,介绍了在视频监控中进行视频运动检测的算法。对其中一些算法作了着重的研究,其中包括图像序列差分法、背景差分法、光流法等,进一步的分析了这些算法所存在的优缺点,并对图像序列差分法做了改进。在不同的场合可做不同的选择。     

基于虚拟检测线的交通视频关键帧提取

关键帧提取技术是基于内容视频检索的基础,关键帧的提取一方面减少了视频索引的数据量,同时也为检索视频提供了一个组织框架。在归纳分析典型的视频关键帧提取技术的基础上,针对交通视频的独特性提出了一种基于虚拟检测线的关键帧提取方法,并在此过程中提出改进的基于双差分法的背景建模以及基于检测线变化的局部背景更新。实验结果证明,该方法能够依据交通视频内容的复杂程度有效地提取出最具代表性的关键帧,具有较高的提取效率和鲁棒性。     

基于模糊理论的图像分割方法

利用边缘提取方法将边缘和噪声象素点从一维直方图中剔除,再对剩余象素点聚类,求出最优分割阈值,然后再求出各象素点隶属于目标和背景的模糊隶属度。根据背景和目标灰度的分布特征,分别选择适当的置信区间,对不在置信区间的象素点再利用其邻域象素点隶属度进行分类最终得到分割结果。实验结果表明效果良好。     

基于纹理分割的视频人体检测

提出一种新的基于图模型纹理分割的视频人体检测方法。首先利用帧间拆分与背景拆分相结合的方式对人体进行粗分割;然后确定目标区域,利用高斯图模型建立纹理模型。通过变量选择和参数估计对纹理特征进行分析,并计算纹理图像的最大后验概率,将纹理后验概率大的归到一类。将基于图模型的纹理分割方法应用到视频检测,实验显示了很好的效果。     

基于Zernike矩的人体行为识别

为了保证特征提取的有效性,更完备地描述人体行为序列,提出了一种基于Zernike矩的人体行为识别方法.该方法利用规范化的运动历史图像(MHI)进行图像序列的表示,从中提取出基于Zernike矩的统计描述作为特征向量进行识别.同时,提出了一种利用图像的重建过程确定分类时采用的Zernike矩的最高阶次的算法.实验中,对8类不同的人体行为进行了测试.应用Zernike矩特征的分类精度高于用规则矩和Hu矩作为特征的方法,证明了基于Zernike矩的人体行为识别方法的有效性.     

基于小波变换的人体图像边缘检测

根据人体图像的特点 ,利用三次样条二进小波 ,采用Mallat快速算法进行小波分解 ,提取了人体图像的正面和侧面边缘 .结果显示 ,提取图像的边缘连续性较好 ,弯曲部分边缘也能准确提取 ,为人体着装图像的边缘检测提供一种新的方法     

基于位平面的运动矢量估计

为了提高序列图像稳定算法的速度,将图像像素点的灰度用位平面的方法表示,对序列图像中相应位置的像素点采用二值布尔函数进行计算;同时为了进一步提高运算速度,在对运动矢量估计的过程中,算法中抛弃全域搜索方法,采用局域自适应搜索方法。实验结果表明该算法在保证运动矢量估计精度的条件下,简化了序列图像间匹配的计算方法,显著地减少了运动矢量估计过程中的计算量,保证了数字图像稳定系统（DISS）实现实时稳定图像。     

基于深度信息的人体检测窗口快速提取方法

为改善图像尺度空间搜索方法在人体检测窗口提取中的检测窗口数量多、检测消耗时间长的问题,在深入分析Kinect深度数据特点的基础上,给出了一种基于深度信息快速提取人体检测窗口的方法.该方法通过计算待检测深度图像中深度值出现频次的极大值,根据出现频次极大值对应深度值区域的几何中心确定检测窗口候选位置的中心,并进一步基于深度值和人体高度间的关系,确定检测窗口的尺寸,从而实现快速提取一系列人体检测窗口.最后,从检测窗口数量、响应时间和准确度等3个方面对该提取方法进行了评估,结果表明:该方法的总体效果良好,缩短了检测时间,并且准确率较高,达到了提高人体检测效率的目的.     

基于U-Net++的人体脊椎MRI图像识别

医学图像分割是疾病诊断和治疗的重要组成部分,通常由经验丰富的医生或专家手动完成.随着医学成像技术的发展,医学图像的规模快速增长,给医学专家带来了大量且繁琐的工作.因此,许多研究人员提出了医学图像自动分割方法.其中,深度学习近年来已成为医学图像分割任务的首选方法.为此,提出了一种基于U-Net++的脊椎MRI图像分割方法...     

基于集群服务器的AVS视频编码并行化实现方法

首先探讨AVS视频编码的可并行性,然后给出一种基于集群服务器的AVS并行编码器设计和实现方法.该方法通过消息循环调度和在图像序列一级上的粗粒度数据划分,有效地降低了通讯代价,极大地提高了系统的并行度.实验结果表明:该系统在16节点(32个CPU)集群服务器上的加速比最高可达30.     

基于典型相关的视频运动目标检测

在智能监控系统中,视频运动目标检测是目标分类和行为理解的基础。由于视频背景的复杂性,考虑检测问题中能量函数的全局优化,提出了基于典型相关的树加权置信传播（ TRW）算法用于视频运动目标检测。算法首先将视频图像分成一些图像块,构造有环图模型;然后运用TRW算法将环路分解成生成树的形式,实现有环图模型上的视频运动目标优化检测。仿真结果表明,算法具有较高的准确度,与传统的置信传播（ BP）算法相比较,能有效降低迭代次数,提高计算效率。     

一种视频序列中运动目标检测算法

在现有方法的基础上,提出了一种基于Otsu动态阈值背景差法和三帧差法相结合的运动日标检测方法.首先通过改进的Surendra算法建立背景模型,并由Otsu动态阈值背景差分法得到二值图像,然后与三帧差分法结合,得到可靠的运动目标区域并进行背景实时更新.实验结果表明该方法满足视频序列运动目标检测的实时性和准确性要求.     

像素域运动对象提取算法的研究

针对像素域运动对象的提取,较系统地分析比较了现有主要算法各自的原理、提取效果及时间特性,为研究者在各种不同的场合选择不同的提取算法提供了依据。为使算法具有可比性,实验在同一Hall_Monitor序列上进行。然后,提出一种改进的、同时进行帧间差分和减背景的运动对象提取算法,其鲁棒性在于能对光照变化、运动物体的暂停,显露部分的背景区域等复杂情况作出正确判断处理。     

基于视频检测的卡尔曼滤波车辆跟踪算法及行为分析

采用基于目标检测的运动目标跟踪策略, 首先用时间差分法进行运动目标检测, 获得运动目标的初始位置;然后采用卡尔曼滤波器预测运动目标下一时刻所在的位置, 再利用运动目标检测的结果评估和矫正预测结果, 获得运动目标的准确位置, 并依据跟踪结果进行车辆的行为分析.实验结果表明, 本方法可有效地解决运动目标部分遮挡及短时间全遮挡下的可靠跟踪问题.     

Kalman滤波在视频监控中的应用

卡尔曼滤波(Kalman)是一种根据时变随机信号的统计特性,对信号的未来值做出尽可能接近真值的一种估计方法.首先对卡尔曼滤波进行介绍,然后阐述了它在视频监控技术中的运动目标检测和运动目标跟踪两个方面的应用.     

智能视频监控系统在看守所中的应用研究

分析传统视频监控系统中存在的弊端。在详细研究智能视频监控系统特点的基础上,提出看守所智能视频监控系统设计方案,研究目标检测提取和跟踪技术等关键技术,对于将智能视频监控系统应用于看守所安防系统中进行了有益的探索。     

基于内容的MPEG4视频对象提取技术研究

阐述了基于内容的MPEG₄视频对象提取技术原理及国内外最新研究情况,详细讨论了典型的视频对象提取技术,从实验角度进行了比较、分析与评价.最后提出了视频对象提取技术存在的问题及对下一步研究前景作了展望.     

多摄像机下动态前景分离的视频拼接算法

针对多摄相机固定拍摄的条件,提出一种新的动态前景分离的视频拼接算法,该算法主要解决了视频中运动物体所导致的匹配错误以及可能产生的拼接鬼影现象.首先提取视频的背景图像并分离前景,利用一套自动配准的算法对背景图像进行配准得到匹配关系,进而建立大场景背景视频;提取动态前景并计算在视频重叠区域中的前景目标的匹配度以判断2视频中目标是否为同一物体,重新取舍并补回背景视频中,从而避免了直接拼接所引发的鬼影现象.实验结果表明,该视频拼接算法匹配精度高、鲁棒性强、视频流畅、计算效率高并基本达到实时拼接的效果.     

基于WinCE的智能网络视频监控系统设计

针对市面上常见的只能实现视频监控的网络摄像机,文章提出了复杂环境下运动目标检测与跟踪的改进算法,并将其集成到摄像机中实现云台控制.在无人干涉时,系统自动分析并提取敏感信息,若检测到入侵目标,则实时向监控人员报警.该系统采用最新的Silverlight技术构建应用程序,实现了UI开发与设备开发的迭代,从而大大加快了设备的开发速度.