面向智能视频监控中的运动目标检测方法研究

运动目标检测是实现智能视频监控的基础,针对当前运动目标检测方法在复杂场景中适应性差的问题,提出了一种结合时空马尔可夫随机场模型和高斯混合模型的运动目标检测方法。在训练时空马尔可夫随机场模型时,采用高斯混合模型的参数更新算法计算邻域图像分割区域的均值和方差,并通过时空邻域标记场设置势函数。通过与传统目标检测方法的仿真比较,验证了该方法的优越性。结果表明,与传统的目标检测方法相比,该方法在复杂场景下具有更高的检测精度,能够更清晰地分割前景中的运动目标。     

一种快速的运动目标检测算法

将运动目标检测的改进方式分为三类。针对固定摄像机的视觉监控系统,提出了一种改进的高斯混合模型算法。通过对方差在高斯混合模型中的作用进行分析,省略方差更新,将方差设为固定值,均值学习率采用固定值。实验结果表明,同传统检测方法相比,改进的算法具有更好的实时性与可靠性。     

嵌入式视频监控系统中的运动目标检测

在设计实现的基于嵌入式Web的远程视频监控系统上,引入了运动目标检测,将帧间运动信息和帧间边缘信息相融合,提出了一种运动目标检测的新算法,能够对监控范围内人员的非法入侵或非法移动进行侦测和识别,根据识别结果,发出相应的警报,从而实现了监控系统的智能化.实验结果表明,这种检测方法算法简单、运算量小,适合于实时应用.     

选煤厂智能视频监控中的运动人体目标检测方法

针对数字视频监控系统人工监视方式可能因监视人员疲劳而导致失误的问题,提出了一种选煤厂运动人体目标检测方法。该方法采用背景减除法来分割运动目标,选用混合高斯模型对背景进行建模,通过不断更新背景模型来提高运动目标检测的准确性;在准确检测出运动目标的基础上,结合人体形状信息,将人体目标检测并标记出来。实验结果表明,该方法能较准确地分割出运动人体目标,并且满足实时性要求,但是无法分割遮挡或连接在一起的运动人体目标,需进一步研究。     

基于改进的混合高斯模型的运动目标检测

针对现有方法在复杂多变环境下不能很好地检测出运动物体的问题,提出了改进的基于混合高斯模型的背景消减法,并对运动目标进行检测。模型初始化时,提出了一种能准确得到实际背景模型的方法;在模型更新中引入了加速因子和合理性反馈使得模型能更快、更准确地反应真实的背景。实验结果表明,同传统检测方法相比,改进的混合高斯模型方法能有效地消除物体发生运动时产生的拖影,并能很好地检测出运动物体。     

智能监控系统中一种改进的目标检测算法

目标检测算法是智能监控系统研究领域中的一个重要课题,基于混合高斯模型的背景差分方法是其中一种广泛使用的目标检测方法,但是,在当场景本身发生变化,如当静止的物体开始移动时,存在背景模型对背景的变化的不能快速、及时地响应等问题。本论文针对运动目标的检测,提出了一种新的混合高斯模型自适应更新算法,它能够快速准确地初始化背景模型,加强模型适应场景变化的能力。仿真实验结果表明,该算法准确性高,运算速度快,能够较快适应背景的变化,可以满足实时检测的需要。     

一种多级运动目标检测算法

为了提高Javed等提出的运动目标三级检测算法的稳定性,文中对其处理方法做出改进;在像素级处理阶段,采用每一个像素点及其邻域组成的集合作为特征矢量来描述图像,对YUV格式的彩色图像的不同颜色分量分别建立混合高斯模型,得到背景模型后,计算出Sobel边缘检测得到的边缘点的统计分布;在区域级处理阶段,将彩色图像分割与背景建模结合起来,得到具有精确边缘的运动目标,并利用边缘信息消除干扰目标;实验结果表明,即使在前景纹理、颜色比较一致且与背景对比不是很明显的情况下,改进后的方法也能完整地检测出运动目标.     

视频监控中一种完整提取运动目标的检测算法

提出一种视频监控中完整、精确提取运动目标前景的检测算法.首先对彩色图像建立混合高斯模型,由背景差分法得到基本准确的前景图像;然后和对称差分法图像综合,得到完整可靠的运动目标图像;再利用亮度信息消除运动目标阴影;最后利用形态学滤波和连通区域面积检测进行后处理.实验结果表明,该算法检测的运动目标前景信息完整准确,对固定场景下的视频监控系统具有一定实用价值.     

运动目标检测算法在军用视频监控系统中的应

在充分分析了现有算法在复杂背景下所存在的不足的基础上,提出了一种适用于军用视频监控系统的基于视频序列象素时空相关性检测的运动目标检测方法.该方法首先用每一帧中目标的空间相关性检测出目标;再用序列图像中目标的时间相关性检验目标的真实性,从而最终确定是否有运动目标.实际应用表明,采用该算法的系统能很好地检测出运动目标,并具有较强的抗干扰能力.     

基于像素分类的运动目标检测算法

针对复杂环境下运动目标检测提出一种基于像素分类的运动目标检测算法。该算法通过亮度归一化对图像序列进行预处理,用以降低光照变化造成的误检,根据场景中不同像素点的特点,对图像进行分类处理,单模态类的像素用中值法进行背景建模,多模态类的像素用混合高斯模型建模。实验结果表明,该算法与传统的高斯建模法相比,减少了运算量,更易于应用在实时系统中。     

基于动目标检测的视频监控智能节点设计

针对现有视频监控系统无效信息多造成存储资源严重浪费的现象,提出了基于动目标检测的视频监控智能节点设计方案;利用微波移动传感器检测运动目标多普勒信号,通过微控器采集调理后的多普勒信号完成运动目标识别,并控制传输设备将含有动目标的视频监控信息和多普勒频率数据传输到监控中心进行实时处理;实验结果表明,视频监控智能节点最大探测距离可达15m,该设计有效提高了视频监控的有效信息,减少了存储资源,具有广泛的应用前景。     

基于低秩矩阵分解的运动目标检测

运动目标检测是视频监控任务的基础问题之一,针对灰度信息,目标检测存在的阴影识别能力差、检测精度低等问题,提出在HSV颜色空间下基于低秩矩阵分解的运动目标检测算法.首先将获取的RGB图像转为HSV颜色空间分量,分别对H、S、V通道构建低秩观测量,进行低秩矩阵优化分解,分离出不同颜色通道的前景和背景分量;组合H、S、V通道分量的前景图像,得到粗略的运动目标区域;再采用HSV颜色阴影去除去除前景图像中的阴影;最后经噪声去除和空洞的填充,检测得到准确的前景运动目标.实验验证表明,与其它方法相比,能够有效地提高运动目标检测的准确度.     

智能视频监控中运动目标检测的研究

针对某武器试验中背景复杂,现有的背景差分法在背景模型的维持和更新不能用于长期和复杂的场景,以及对近地目标提取检测困难的问题,提出一种改进的背景差分法。该算法采用结合邻域信息的背景差分法和最大方差阈值法,能够在一定程度上减小背景滞后更新引起的运动目标检测误差,且使目标边缘提取更加明确,从而提高了系统的运行速度,实现复杂背景下的运动目标检测。在Visual C＋＋6.0中用OpenCV实现了相关算法的设计,并给出了完成系统任务所需的部分关键代码,实现了运动目标和试验场景的分离与提取。仿真实验验证了该算法的有效性以及实时性。     

基于ICA特征的运动阴影检测算法

为防止运动阴影在视频图像序列中被错误地检测为目标,必须提高阴影检测算法的准确性和普适性。为此,从独立分量分析(ICA)的原理及其特性出发,提出一种基于空间变换技术的运动阴影检测算法。该算法通过对视频序列建立高斯混合背景模型产生自适应背景,利用ICA技术对其进行空间变换提取特征,再通过背景与当前帧图像对应像素点在特征空间的位置特征来分类运动阴影与前景目标。实验结果表明该方法能够较好地抑制噪声,减少光照变化的影响,准确地检测出阴影。     

一种联合图像分割与背景建模的运动目标检测算法

介绍了在混合高斯模型的基础上,采用每一个像素点及其邻域组成的集合作为特征矢量来描述图像,对YUV格式的彩色图像的不同颜色分量分别建立混合高斯模型,从而确定是否有变化发生.为充分利用空间信息,提出将彩色图像分割与背景建模结合起来,得到具有精确边缘的运动目标.实验结果表明,即使在前景纹理、颜色比较一致且与背景对比不是很明显的情况下,本方法也能完整地检测出运动前景.     

一种基于码本模型的运动目标检测算法

提出一种基于背景码本模型的视频图像中运动目标的检测算法。该算法利用归一化的Mann-Whitney秩和统计量自适应调整判决阈值,使用Mean Shift进行码本中码字和方差的更新,实现在检测过程中同时更新码本模型适应图像背景的变化。不同背景条件下的实验结果表明该算法利用Mann-Whitney秩和统计量的分布无关性,提高了运动目标检测精度。 。     

基于像素层背景模型的复杂场景运动目标检测

为了从复杂变化背景中鲁棒地检测、提取运动目标,提出一种基于像素层背景模型的运动目标检测算法。该算法采用快速均值漂移方法将背景帧上具有相同统计特性的像素划分为一个像素层,背景模型从而被表示为一组像素层,通过与邻域像素对应的层匹配来检测运动前景像素。实验结果表明,该方法可以实时、准确地检测运动目标,特别是在摄像机颤动等原因造成的背景时域不规则变化情况下,比经典的基于混合高斯背景模型的方法具有更好的检测效果。     

复杂背景中一种特定运动目标检测与跟踪方法

针对复杂环境对运动目标检测与跟踪产生的不利影响,提出一种自适应运动能量阈值结合精简彩色SIFT描述子的特定运动目标检测与跟踪方法。运用自适应运动能量阈值方法自动滤除复杂环境干扰以完成运动目标检测,由此形成目标匹配搜索域,并给出经主成份分析及精简后的彩色SIFT描述子( PCA-CSIFT )进行目标匹配,从而实现特定运动目标的连续跟踪。实验结果表明,在复杂环境下,运动目标检测方法对目标总量变化不敏感,错误率始终稳定在6.5%~34%之间。 PCA-CSIFT算法在保持高可区分性的同时错误匹配率为25.33%~28%,平均每帧处理时间不超过0.26 s,具有较好的鲁棒性与实时性。     

基于帧间差分和边缘差分的遗留物检测算法

遗留物检测是智能视频监控系统的核心功能,遗留物一般较小,所处环境复杂,传统的运动目标检测算法直接用于遗留物检测效果一般.提出了一种基于帧间差分与边缘差分的遗留物检测算法,首先进行帧间差分得到运动目标区域,然后将当前帧图像和前一帧的背景图像进行边缘差分运算得到运动目标的边缘,融合二次差分的结果即可得到运动目标的完整轮廓特征,最终通过判断运动目标在场景中的滞留时间是否达到或超过报警系统设置的阈值来标示遗留物,供智能视频监控系统处理.实验结果证明该算法实时性好且识别率较高.