运用视频监控技术检测高速运动目标的新算法

提出了一种新的基于图像块和HVS彩色图像差值技术的高速运动目标检测算法。对分块后的图像进行粗检，辅以经验知识确定出目标的大概区域。在锁定的局部区域内运用HVS彩色图像差值方法检测出运动目标。实验结果表明，该算法克服了传统的差图像法的缺点，能够有效地抑制阴影的影响，具有自适应性强、速度快等优点。在复杂的环境下，运用该算法提取运动目标可以获得满意的效果。     

基于改进混合高斯模型的运动目标检测算法

在运动目标停滞的情况下,传统的混合高斯模型会将运动目标误判为背景,导致目标漏检。为此,提出一种基于改进混合高斯模型的目标检测算法。引入背景学习参数,结合前一帧的检测结果自适应地更新背景,从而提取完整的运动目标。利用像素的八连通区域信息抑制噪声,提高算法在复杂环境中的稳定性。实验结果表明,与传统检测方法相比,该算法能够在复杂环境中准确地检测出短暂停滞的运动目标。     

地铁监控中的行人检测方法

针对地铁视频监控中行人检测问题,提出了一种将背景建模与形态学相结合的行人检测方法。算法首先对视频序列图像进行预处理;然后利用背景建模不断更新复杂环境中运动区域,提取目标区域;再通过改进的形态学算法对目标区域进行人体检测。实验结果表明,该方法能够准确地检测地铁视频监控中的行人,运算速率较快,鲁棒性较高。     

基于运动目标检测的视频水印算法研究

深入研究视频序列的基本特性,并在此基础上提出一种改进的DCT(离散余弦变换)域的分块视频水印方案。提出的方案中,通过结合人类视觉感知系统和运动目标检测技术,从视频图像序列中实时地发现并提取运动目标,确定运动目标所在区域,选取视频图像中的运动区域和高细节纹理复杂度区域作为视频水印的嵌入区域,并在水印的嵌入的过程中,通过细分像素块来减少像素分类带来的分块效应。通过仿真实验结果显示,该算法具有较好的不可感知性和鲁棒性。     

基于相关匹配及双模式模板更新的跟踪方法

运动目标被遮挡表现为一部分子块区域与模板的失配,从而影响目标跟踪效果;为解决该问题,提出了一种改进的相关跟踪方法和双模式模板更新策略;通过自适应阈值调整和分块相关运算对MCD算法进行改进,在遮挡发生时判别被遮挡子块,及时调整模板更新策略,由Kalman滤波结果与匹配结果的线性加权和得出目标最终位置;实验结果表明:该方法能有效抑制目标局部像素变化引起的跟踪漂移,且对遮挡具有一定的鲁棒性。     

利用时空背景模型的快速运动目标检测方法

为了弥补运动目标检测中传统混合高斯背景模型仅对单个像素建模、运算耗时的不足,通过提取背景时间统计特征和空间区域特征建立模型,针对模型中的高斯分量采用一种改进的分量个数自适应算法,并在此模型基础上,提出一种自适应迭代分块目标检测方法。通过包含区域信息的背景模型检测目标,减少在同一背景区域中目标的误判和漏判。将自适应迭代分块检测算法与背景的区域信息结合,可以在不降低检测精度的前提下大大提高算法执行速度。实验结果表明,相对于传统算法,本文检测法检测结果信噪比更高,目标更加完整,运行速度平均提高了22%。     

基于分形特征的复杂环境目标检测方法研究

针对复杂的自然背景下的运动目标检测,提出了一种基于分形特征的运动目标检测算法;该算法利用目标的分形维数与自然背景分形维数的差异将目标从背景检测出来;首先应用改进的地毯覆盖法快速得到图像的分形维数,然后通过比较邻域之间分形维数的相互关系进行目标检测;实验结果表明,该方法能对复杂背景下的运动目标进行检测,由于采用分块求分形特征的方法,能有效地减少搜索目标所带来的计算量,算法过程简单、检测速度快、检测结果精确,目标与背景对比度的变化对检测结果几乎没有影响,且噪声对该算法的检测结果影响较小;在运动目标实时检测问题上有着很好的实用价值和应用前景。     

基于二值特征和结构化输出支持向量机的目标快速跟踪算法

复杂场景下基于判别式分类器的目标跟踪通常采用复杂的外观表示模型以提高跟踪精度,但影响了算法的实时性。为此,提出一种基于半色调的二值特征来描述目标的外观,在此基础上对结构化输出支持向量机(SVM)的核函数进行改进,实现了判别模型的快速更新和判别;同时提出一种基于分块匹配的判别模型更新策略,保证了跟踪过程中样本的可靠性。在Benchmark数据集上进行的测试实验中,与压缩跟踪(CT)算法、跟踪学习检测(TLD)算法和核化的结构化输出跟踪(Struck)算法相比,在跟踪速度上,该算法分别提高了0.2倍、4.6倍、5.7倍;在跟踪精度上,当重叠率阈值取0.6时,该算法的成功率达到0.62,而其他三种算法的成功率均在0.4以下,当位置误差阈值取10时,该算法的精度为0.72,而其他三种算法精度均小于0.5。实验结果表明该算法在发生光照变化、尺度变化、严重遮挡和突变运动等复杂情况下均具有很好的鲁棒性和实时性。     

基于帧差分块的混合高斯背景模型

针对混合高斯背景模型计算量过大、对复杂场景的适应能力较差等问题,提出了一种基于帧差分块和自适应学习率的混合高斯背景模型改进算法。引入分块模型思想,有效结合了像素的空域信息;根据帧间差分结果,判断可疑前景区域和背景区域,提高了检测灵敏度;针对前景可疑区域采用复杂模型,保证运动目标检测的精度,反之采用简单模型降低计算量;通过自适应学习率,加速背景的形成与消退。实验结果证明该算法较好地兼顾了检测精度和计算代价。     

复杂环境下的运动人体骨架提取算法*

针对复杂环境下运动人体难以检测及由人体运动自身的复杂性而引起的骨架提取难的问题,提出了一种复杂环境下视频序列中的运动人体骨架提取算法。算法首先利用区域背景建模获取复杂环境下的背景图像,利用最大色差分量结合自适应阈值分割运动人体;然后根据人体测量数据对人体骨架建模,最后利用Kalman滤波跟踪人体关节点,连接关节点生成运动人体骨架。实验结果表明,该算法能准确地提取复杂环境下视频序列中的运动人体骨架,具有低关节位置误差率。     

一种有效的运动物体检测方法

为了从监控视频中检测出较高质量的运动物体,文章提出了一种基于帧间差分和背景差分相结合的运动目标的检测方法,并且采用像素级和帧级背景更新相配合的一种背景更新策略。算法求取各像素点处的最大概率灰度,从而提取出连续视频的背景图像;相邻帧则利用帧间差分法以及背景差分法得到两幅运动区域图像;将两幅运动区域图像相与,提取出较为准确的运动目标。实验证明,该算法对光线的变化鲁棒性较高,运算速度较快,且能够及时的响应监控视频的实时变化,提高运动目标的检测质量。     

彩色序列图像中实时运动目标跟踪方法

提出了一种彩色序列图像中的实时运动目标跟踪算法,该算法首先利用综合帧间差分法与背景差分法两种方法优点的动态背景更新算法来检测各种运动目标,在后续的图像序列中,利用运动检测算法来确定目标跟踪的起始点,并利用Mean Shift算法来跟踪运动物体;然后再更新Mean Shift的目标模板。实验结果表明,该算法能够克服Mean Shift算法对尺度变化的物体的跟踪效果较差且不能检测突然出现在图像序列中的物体的不足,快速准确地跟踪各种物体。     

基于大数据分析的移动对象轨迹预测方法

对移动对象的轨迹预测将在移动目标跟踪识别中具有较好的应用价值。移动对象轨迹预测的基础是移动目标运动参量的采集和估计,移动目标的运动参量信息特征规模较大,传统的单分量时间序列分析方法难以实现准确的参量估计和轨迹预测。提出一种基于大数据多传感信息融合跟踪的移动对象轨迹预测算法。首先进行移动目标对象进行轨迹跟踪的控制对象描述和约束参量分析,对轨迹预测的大规模运动参量信息进行信息融合和自正整定性控制,通过大数据分析方法实现对移动对象运动参量的准确估计和检测,由此指导移动对象轨迹的准确预测,提高预测精度。仿真结果表明,采用该算法进行移动对象的运动参量估计和轨迹预测的精度较高,自适应性能较强,稳健性较好,相关的指标性能优于传统方法。     

基于背景减除法的视频序列运动目标检测

视频序列中运动目标的检测是目标识别、标记和追踪的重要组成部分,背景减除法是运动目标检测中被广泛应用的算法。针对光线变化、噪声和局部运动等影响运动目标检测效果的问题,提出一种基于背景减除法的视频序列运动目标检测算法。该算法结合背景减除法和帧间差分法,对当前帧像素点的运动状态进行判断,分别对静止和运动的像素点进行替换和更新,采用最大类间方差（Otsu）法对差分图像进行目标提取,并使用数学形态学运算去除目标中的噪声和冗余信息。实验结果表明,所提算法对于视频序列中运动目标的检测具有较好的视觉效果和较高的准确度,能够克服局部运动以及噪声等缺陷。     

基于Mean Shift的多模板目标跟踪算法

目标跟踪是计算机视觉研究领域的热点之一,并得到广泛应用。其中基于Mean Shift的运动目标跟踪算法因其计算量小,实时性好,简单易行等特点而受到广泛关注,但该算法在目标突变或严重帧丢失以及目标严重遮挡的情况跟踪效果不佳,留下了改进空间。在传统基于Mean Shift运动目标跟踪方法基础上,通过创建并维护多样性模板库为跟踪过程提供更丰富的目标描述信息,提高算法运动目标跟踪效果。实验结果表明,新算法较好地解决了在目标突变和严重帧丢失情况下不能准确跟踪目标的问题,并且对目标的完全遮挡也具有很好的鲁棒性。     

双目视觉运动目标跟踪定位系统的设计

针对运动目标在被遮挡时跟踪丢失问题,采用双目视觉对运动目标进行跟踪定位.首先,利用背景差分法实现目标检测;然后,利用Kalman滤波器改进的CamShift算法与FAST角点检测算法相结合,通过缩小角点检测的范围,提高预测的准确性和跟踪速度,同时有效解决了目标跟踪丢失问题;最后,通过双目立体视觉视差原理求出目标的三维坐标,实现对目标的定位.实验结果表明,该系统有效地解决了目标跟踪丢失问题,且算法实时性良好,有利于工业上使用机器人对运动目标的精确抓取.     

快速混合高斯模型的运动目标检测

针对经典混合高斯模型算法在实际应用中计算量大实时性差,且对光线变化和运动物体速度敏感的缺点,提出一种改进的快速检测算法。通过选取合适的间距,先用帧间差分法提取出完整的运动区域和背景区域,只对前者进行混合高斯模型匹配,来降低计算量。对背景图像不同区域采用不同背景更新率,及时响应背景变化。最后引入一个光线突变参数,来预防光线突变给检测带来的干扰。通过实验,证明本算法在实时性,鲁棒性,稳定性等上有了很大的改善,能够很好的检测出运动目标。     

运动目标检测中的阴影去除方法

采用背景差分法检测运动目标时常常将阴影点检测成前景点,对目标分割与提取产生严重影响。为了准确提取运动目标,提出了一种基于YUV颜色空间色度畸变和一阶梯度模型进行阴影去除的方法。实验表明该算法抗干扰能力强,而且复杂度较低,易于实现实时运动图像处理。     

计算机视觉技术在车辆跟踪中的应用

智能交通监控是计算机视觉技术的重要应用之一。对行驶中的车辆进行自动跟踪,能够得到车辆的动态信息,为交通部门提供重要依据。Mean—Shift跟踪算法和基于PPM质心迭代跟踪算法对运动目标的跟踪具有很好的效果,应用两种算法对运动车辆进行跟踪,并对两种算法在车辆跟踪过程中稳定性、精度和实时性上做了对比分析。     

Moving shadow detection and removal for traffic sequences

Segmentation of moving objects in a video sequence is a basic task for application of computer vision. However, shadows extracted along with the objects can result in large errors in object localization and recognition. In this paper, we propose a method of moving shadow detection based on edge information, which can effectively detect the cast shadow of a moving vehicle in a traffic scene. Having confirmed shadows existing in a figure, we execute the shadow removal algorithm proposed in this paper to segment the shadow from the foreground. The shadow eliminating algorithm removes the boundary of the cast shadow and preserves object edges firstly; secondly, it reconstructs coarse object shapes based on the edge information of objects; and finally, it extracts the cast shadow by subtracting the moving object from the change detection mask and performs further processing. The proposed method has been further tested on images taken under different shadow orientations, vehicle colors and vehicle sizes, and the results have revealed that shadows can be successfully eliminated and thus good video segmentation can be obtained.