一种改进的基于纹理和颜色的运动阴影检测

精确地消除活动阴影对运动目标的影响是智能视频监控的核心任务之一,针对当前运动阴影检测中采用的纹理信息过于粗糙、阈值选取需要人工干涉等问题,通过对NCC(归一化互相关)纹理算法进行改进,并结合亮度和归一化颜色特性,提出一种自适应的运动阴影检测方法。以混合高斯模型得到的前景像素为基础,通过阴影在亮度和归一化颜色的特性筛选出候选的阴影区域,结合改进的纹理算法进一步缩小阴影区域范围,最后利用空间后处理得到真实阴影。实验结果表明,该算法在有效降低噪声干扰的情况下能够较好区分局部纹理不明显的运动目标和阴影。     

基于颜色和梯度差估计器的运动阴影检测

针对当前运动阴影检测中采用的纹理信息过于粗糙问题,提出一种基于梯度差估计器并融合亮度和归一化颜色特征的阴影检测方法。以混合高斯模型得到的前景像素为基础,通过阴影在亮度和归一化颜色上的特性筛选出候选的阴影区域,然后利用梯度差估计器确定最终的阴影区域。实验结果表明,本文算法能很好地区分局部纹理不明显的运动目标和阴影。     

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。     

灰度纹理矩图像检索方法的研究与实现

本文出了基于局域傅里叶变换的灰度纹理矩，它的实现缩短了检索时间，提高了检索效率，检索效果也有了很大的提高，特别是对背景比较单一、物体背景层次分明的图片。尤其是再经过高斯归一化的Gabor小波方法检索效果得到了更大的提高。     

基于组合特征和HSI颜色空间的阴影检测

为了更有效地检测视频序列中的阴影,提出基于组合特征和HSI颜色空间的阴影检测算法.对提取的前景,先采用扩展的不变矩和Gabor小波变换分别抽取待识别区域的全局特征和局部特征来建立组合特征向量,再通过建立的HSI空间的阴影颜色模型来准确检测出目标的阴影.实验结果表明,该算法具有良好的阴影检测效果.     

自适应背景下运动目标阴影检测算法研究

智能视频监控系统的主要难点就是如何检测出运动目标的阴影并将他去除。用一种改进的自适应背景检测算法准确检测运动物体的位置和形状。然后根据阴影的颜色变化、结构等特点,分别采用基于RGB彩色模型和基于HSV彩色模型的阴影检测法检测阴影。在仿真实验中,对两种方法进行定量和定性的分析,在阴影检测率、识别率、复杂度和实时性等方面做出了比较。结果表明,两种方法都有较强的适应性,具有良好的阴影检测效果。根据各自的优缺点,可应用在不同领域中。     

结合直方图反投影的多特征运动阴影检测算法

针对视频监控中运动阴影影响目标检测跟踪准确性的问题,提出一种结合直方图反投影的多特征运动阴影检测算法。首先利用背景减除法,得到前景区域并进行初步筛选;然后在背景区域建立亮度、颜色、梯度特征的联合直方图,以反投影的方式投影到前景区域得到运动阴影概率图;最后结合空间一致性和滞后阈值,对概率图进行分割得到运动阴影区域。与典型算法进行对比的实验结果表明,本文算法能够有效区分阴影与目标,适用于实时的运动目标检测与跟踪。     

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。     

基于颜色对立空间的运动目标的阴影检测

利用背景差分法检测运动目标,目标阴影和目标本身均会被当作前景检测出来。针对上述问题,提出了基于颜色对立空间的运动目标阴影的检测方法。该方法首先将提取的前景图像由常见的RGB格式转换成CIELAB颜色对立空间格式,再分别对其L＊、a＊和b＊三个通道进行边缘检测。由于CIELAB颜色对立空间所具有的接近人类视觉的特性,用上述检测出的边缘进行相关的数学形态学的处理,便可检测出阴影。实验结果表明该方法便捷快速,能够有效检测出运动目标的阴影。     

改进的自适应灰度视频序列阴影检测方法

提出了一种自适应的阴影检测方法,去除了传统固定阈值阴影检测方法残留的阴影边缘,有效地改善了阴影检测效果。首先采用kmeans聚类、求前景灰度直方图峰值间平均值等方法得到自适应的阈值,在此基础上,计算满足阈值约束的前景像素点,将该点及其8邻域点都作为可去除的阴影点进行标记。最后,去除标记的阴影点及极小面积的前景区域。本文对已有的阴影检测算法进行了改进,加入了自适应的阈值计算方法并去除了原有算法检测后残留的阴影边缘,在对室内及室外视频序列进行的检测中都取得了较好的效果。      

一种稳健的视频SAR动目标阴影检测与跟踪处理方法

视频合成孔径雷达(VideoSAR)可获取观测场景高帧率图像序列,利用车辆等地面运动目标在图像序列中形成的阴影能够实现动目标状态感知,该方法具有定位精度高、检测概率高、无最小可检测速度限制等优点。针对视频SAR动目标阴影变化剧烈、信杂噪比低、多普勒模糊干扰等特有的图像特征,该文充分利用帧图像空间域和时间域信息,研究了视频SAR数据预处理、动目标阴影检测和视频SAR多目标跟踪方法。实测数据全流程处理结果验证了该文方法的有效性。     

视频SAR成像与动目标阴影检测技术

视频合成孔径雷达(SAR)技术将观测场景的动态信息以视频方式呈现出来,其高帧率成像特性有利于实现对地面机动目标的实时探测。视频SAR信号处理关键技术主要包括高帧率成像处理算法和运动目标检测技术等。该文对视频SAR成像处理进行了探讨,给出了两种典型视频SAR成像处理仿真数据结果,详细分析了视频SAR阴影形成机理和对动目标检测性能的影响,并将基于机器学习的视频SAR阴影目标检测技术与经典处理方法在实际数据上进行了验证对比。      

基于阴影流和3D MAP-MRF 的运动阴影消除

阴影消除是运动检测中的一个重要问题。本文提出一种用阴影流和三维马尔可夫随机场后验概率最大化方法运动阴影消除算法。首先对每个像素建立混合高斯模型,通过阴影弱分类器,将可疑的阴影像素分离出来送到阴影流模型中。在线学习候选阴影像素,得到置信度高的阴影流模型。然后用混合高斯模型,阴影流和当前图像一起构建一个三维的马尔可夫随机场模型,将运动目标检测转化为标号组后验概率最大化/能量函数最小化。最后,构建一个与三维MRF对应的三维网络流图,通过动态图切算法,求出图的最小切,即求得MRF标号组的最大后验概率,从而给每个像素分配“前景”或“非前景”标号,达到消除阴影分割运动物体的目的。实验表明本方法在实际视频中取得了较好的效果。      

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.     

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。      

复杂地面场景下运动小目标的识别与跟踪方法

针对下视情况下复杂地面场景对机载光电系统目标检测与识别的影响,提出了一种基于平台运动补偿的下视场景运动小目标检测与跟踪方法。首先提取地面场景中的角点和线等不变性特征,通过图像配准实现平台的运动补偿,然后经帧间处理检测出潜在运动目标,并利用Gabor滤波器对目标进行初步筛选,最后通过轨迹关联和目标航迹累计数以及目标先验运动速度信息识别和跟踪光电系统视场内的真实目标。      

基于边缘特征的自动运动对象分割

为了准确分割出视频场景中的运动对象,该文提出了一种基于边缘特征的运动对象分割及跟踪算法。首先对相邻帧进行自适应变化检测,得到相邻帧二值差分图像。结合当前帧Canny算子检测的边缘图像,获得运动对象的初始边缘模板。其次对运动对象的运动分为快变和慢变两部分进行跟踪并更新运动对象的边缘模板。最后对运动对象的边缘模板进行数学形态学处理得到运动对象的外轮廓,使用梯度向量流场作为外力的改进活动轮廓算法收缩获得运动对象准确的闭合轮廓曲线。该算法对运动对象的整体运动和局部形变都有很强的鲁棒性, 能够得到运动对象准确的轮廓,并且对复杂背景有很好的适应性。     

基于自相关矩阵和边缘检测的运动目标检测

提出了一种基于颜色特征提取和图像边缘检测融合的运动目标检测算法。利用颜色自相关矩阵对图像建立特征模型,进行相似度的比较得到较粗糙的目标检测结果。然后通过Canny算子提取图像的边缘信息并利用二值差化求得目标大致边缘轮廓。将两者再进行逻辑与操作,即判定在粗糙检测结果中运动目标轮廓内的元素目标边缘信息为运动目标边缘,并最终进行形态学操作得到运动目标。实验结果表明,提出的算法对复杂背景下运动目标有较为理想的检测效果。     

一种VideoSAR动目标阴影检测方法

在高帧率的视频合成孔径雷达(VideoSAR)成像模式获得的图像序列中,多普勒频移使运动目标在实际位置留下阴影,且相邻帧图像具有很强相关性。该文针对上述现象提出一种VideoSAR图像中动目标阴影检测的方法。首先,对每帧图像通过结合尺度不变特征变换(SIFT)和随机抽样一致性(RANSAC)算法实现配准并进行背景补偿,再采用CattePM模型抑制相干斑噪声。然后通过Tsallis灰度熵的最大化阈值分割方法自动分离目标和背景,获得二值图像。最后,对相邻多帧图像背景建模并差分,再结合三帧间差分法提取动目标阴影,结果标记至原帧图像相应位置。基于美国Sandia实验室公布的VideoSAR成像片段,实现了多个移动车辆的检测,验证了所提算法的有效性。