多尺度对称差分交通视频目标分割及阴影消除

本文针对固定场景条件下的视频图像序列进行运动目标分割,根据交通场景中同一运动目标在图像中不同位置的面积和速度不同的特点,采用分级分块多尺度对称差分法和帧间背景像素变化规律优化背景重建。然后利用背景差分的方法提取运动目标,在运动区域内利用HSV 颜色空间的阴影特点来消除阴影,准确提取出完整的车辆图像,为交通状态的分析提供实时准确的信息。     

一种改进的运动目标检测和阴影消除算法

提出一种改进的运动目标检测算法,以准确检测不同光照条件下的运动目标。针对前景检测时出现的阴影,提出基于边缘信息的阴影消除算法。该算法与阴影方向无关,能去除目标各方向的大部分阴影,为视频监控系统的后续高级处理排除了阴影干扰。在配置为 2.0 GHz的P4计算机上运行,速度约为20帧/s。实验结果表明了算法的实时性、可靠性和准确性较好。     

复杂背景下运动目标分割算法研究

视频监控中,准确而快速地分割出运动物体是提取各种信息的前提和关键.以图像差分法为基础,提出了一种在复杂背景下有效分割运动目标的方法.运用改进的Surendra算法提取背景.对连续帧图像的R,G,B三通道帧差分图像采用PCA融合和二值形态学重构,以提取和更新背景.将粗分割图像转换到HSV域中,采用V分量阈值法消除阴影,并应用彩色投影法解决连通体粘连和路面反光问题.实验结果表明该方法能够结合各种算法的优势,快速而较准确地提取出运动车辆目标.     

运动目标的阴影实时检测和消除

运动目标的实时检测与跟踪是智能监控和视频活动识别应用的基本步骤.运动目标检测把场景分割为前景目标和背景区域,但是在这个过程申运动目标投射的阴影很容易被误分类为前景目标,这种误分类会造成多个目标的合并或目标形状的改变.为了改善运动目标分割的效果,提出一个基于光强、色度和反射率的实时阴影检测和消除的算法,该算法不需要目标的...     

视频分割中运动阴影消除的新方法

对于视频分割中运动阴影消除的问题,提出了一种结合色度、亮度和边缘信息的方法.首先使用结合核密度估计和边缘信息的分割方法获得初始分割结果及其中运动对象的边缘,然后提取输入视频帧的色度和亮度信息以得到可能的运动阴影区域,最后通过阴影区域生长将运动阴影和运动对象区分开.实验结果表明,该方法具有良好的消除运动阴影的性能.     

基于背景差分法的运动目标分割

运动目标分割在基于视频的运动目标检测与识别研究中发挥着重要作用。以图像差分法为基础,实现了一种复杂背景下快速分割运动目标的方法。通过中值滤波对原始图像进行预处理;运用改进的Surendra算法快速提取并更新背景图像;利用数学形态学运算对差分二值图像进行处理,进行运动区域的初始检测;将RGB图像转换到HSI域中进行适当的阴影去除,完成运动目标分割。实验结果表明该方法能够较为有效地分割出感兴趣区域(ROI)内的运动目标。     

昆虫运动图像分割中的阴影消除算法

昆虫运动图像分割是昆虫步态提取、跟踪及分析的基础,根据昆虫运动图像中阴影点灰度小和色度保持稳定的特点提出一种适合室内运动检测的图像分割及阴影消除方法。先将当前帧图像与当前的背景图像对应像素点的像素值相除,比值小于1的点可能包括阴影和运动目标;然后计算比值小于1的点在RGB空间中的向量与对应背景点向量的夹角余弦。因为阴影色度保持不变,其夹角为0或极小,所以可将余弦接近1的点判为阴影。实验表明该方法简单有效,提取出来的昆虫前景图轮廓清晰,特征部分保持完整,为昆虫步态检测、分析及机器人步态规划提供支持。     

城市航空影像的阴影检测和阴影消除方法研究

阴影是城市航空遥感影像的基本特征之一,阴影的存在影响地物边缘的提取、建筑物的识别和影像的配准等,因此,阴影检测和阴影消除在城市遥感中具有重要意义。本文主要介绍了一种高分辨率城市航空影像的阴影检测和阴影消除方法,在阴影检测过程中,分别对影像RGB色彩空间中的G通道和HIS色彩空间中的亮度通道进行阈值选择检测出阴影区域,然后对这两种阴影检测结果进行与运算得到最终的阴影区域并标记出来。对所标记的阴影区域,根据Retinex理论选择合适的尺度对其进行增强处理,由于阴影区域的地物信息进行增强时阴影边界也有所增强,因此需要对阴影边界进行模糊化处理。试验表明,该方法能较好的检测出阴影区域,而且对阴影区域的地物恢复效果较好。     

一种基于阴影检测的运动目标分割改进算法

讨论了用于背景减除法的常见颜色模型,针对低饱和度下色度值不稳定的问题,提出一种基于色度、亮度和饱和度空间(IHLS)的改进算法.该方法运用具有饱和度的三维极坐标系统表示颜色的能力,采用饱和度加权色度统计来色度-饱和度关系进行建模,而该饱和度与亮度函数无关.通过CDW2014公开数据集的实验,与基于RGB和HSV的方法进...     

基于颜色信息和光学增益的阴影消除

运动阴影常被误分为前景对象,会给目标的跟踪和识别带来很大困难,所以阴影消除在许多的监控系统中都是非常重要的。针对阴影检测算法受特定条件约束,不能自动适用于不同场景,为解决上述问题,提出了一种新颖鲁棒且无需复杂的参数调整的运动阴影消除方法。通过自适应高斯混合模型重建背景,采用背景差分法提取出包含阴影的运动区域,综合颜色信息与光学增益,将运动区域分类为运动对象区域和运动阴影区域。实验结果表明:所提方法在多种不同的场景下均能有效可靠的消除运动阴影。     

基于视频流连续性的快速运动目标检测方法*

提出了一种基于视频流连续性的快速运动目标检测算法。对于背景模型的建立,在原有像素归类背景重构算法的基础上,基于视频流的连续性,选择性使用训练阶段背景至少在50%的时间内可以被观测到的前提假设,提出了一种改进的快速背景重构算法,在准确建立背景模型的同时,有效地减少了运算时间。对于运动阴影的干扰,采用基于RGB色度比例的色度差分算法,能快速有效地去除运动阴影,最终实现运动目标的快速提取。实验结果证实了所提算法的有效性。     

基于背景重构的公路车流量检测方法

在分析现有检测算法的基础上,提出了一种车流量统计算法,应用自适应背景重构方法,首先利用差分法提取动目标,然后通过先边缘检测再膨胀腐蚀的方法去除车影,最后在虚拟检测线上分区域段设置资源信号灯统计车流量。实验结果表明,本算法能够适应公路背景的变化,有效地去除了车影,统计结果准确可靠。     

视频图像中的车型识别

文章介绍一种在固定单摄像头拍摄交通图像序列中检测车辆的方法。处理过程大致分为以下三步:重建不含运动目标的自然背景及图像分割;摄像机标定;目标区域的跟踪和车型识别。实验证明方法是可行的。     

背景重建的运动目标分割改进算法

提出了基于背景重建的运动目标分割改进算法。首先使用多帧差获得初次的背景和前景分离,使用前后多帧差重合部分的合并作为当前帧的运动对象,并通过形态膨胀操作消除二值模板中的空洞,得到该帧的并不精确的初次运动目标掩膜。通过掩膜获得稳定的累积背景。通过得到的背景差和帧间差相结合制定判断原则,获得精确的运动目标掩膜,从而对运动目标进行分割。实验表明该算法对于较大面积的运动目标,或者当摄像机拍摄方向与目标运动方向一致的情形下都可以得到较准确的效果。     

基于背景重建的运动目标检测与阴影抑制

提出了一种静止摄像机条件下的运动目标检测和去除阴影的方法。该方法采用以图像亮度和能量大小为判断依据的分块背景重建方法来快速更新背景,并结合背景相减法,网格化连通域检测,形态学滤波等步骤来检测和提取运动目标,同时运用边缘检测获取阴影边缘信息,并结合形态学运算来去除阴影区域,恢复出完整物体目标。实验结果表明,该方法能够有效地检测出运动目标和抑制阴影。     

一种基于区域的车辆阴影消除方法

该文给出了一种基于区域的车辆阴影检测方法。首先将运动前景像素检测出来,利用梯度特征分割运动前景的连通域获取投射阴影的方向,然后再结合区域内的角点及灰度相似性特征分割车辆和其阴影像素。实验结果表明该方法可以有效的检测阴影,并且能够满足实时性的要求。     

基于车辆模板和边缘信息的阴影消除方法

介绍了一种基于车辆模板和车辆与阴影的边缘信息的阴影消除方法。该方法先利用了背景和车辆之间灰度差距比较明显,找出大概的车辆模板。通过应用光源投射时候形成的阴影方位的先验知识以及车辆和阴影之间的边缘信息,在模板内部消除阴影,可以达到很高的准确性。在进行分割过程的时候,采用了动态的阈值选取方法,可以在不同情况下实现很好的鲁棒性。     

特征点维度的静态场景三维重建运动目标剔除

基于语义分割的图像掩膜方法常用来解决静态场景三维重建任务中运动物体的干扰问题,然而利用掩膜成功剔除运动物体的同时会产生少量无效特征点.针对此问题,提出一种在特征点维度的运动目标剔除方法,利用卷积神经网络获取运动目标信息,并构建特征点过滤模块,使用运动目标信息过滤更新特征点列表,实现运动目标的完全剔除.通过采用地面图像和航拍图像两种数据集以及DeepLabV3、YOLOv4两种图像处理算法对所提方法进行验证,结果表明特征点维度的三维重建运动目标剔除方法可以完全剔除运动目标,不产生额外的无效特征点,且相较于图像掩膜方法平均缩短13.36%的点云生成时间,减小9.93%的重投影误差.     

智能视觉监控中的目标检测与跟踪技术

介绍了智能视觉监控中运动目标的检测与跟踪过程所涉及的各项关键技术,主要包括目标提取、阴影检测、目标分割和目标跟踪等。对各项技术的基本原理和主要实现方法进行了分析和总结,并指出了各种方法的特点、存在问题及解决方案。     

河道监控视频的运动对象分割算法

针对内河航道监控视频的特点,提出一种基于背景差法的对象分割算法。首先在HSI颜色空间里利用像素的色调和亮度对其进行归类;然后利用基于块处理的方法确定背景像素,并在背景缓慢变化和急速变化时,采用定时和实时的背景重构方法进行背景更新;最后利用背景差提取运动对象。