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。     

基于DSP的检测算法实现及优化

运动目标检测可以从连续变化的多幅图像中把运动目标提取出来。运动目标的捕捉对于目标分化、采集和动作归类等后续处理相当重要,因为后期过程只处理图像中运动目标周围一定范围内的像素。但由于运动目标所处背景的随机性,比如气候、光线及噪声干扰的影响,检测运动目标实际上是一项比较困难的任务。目前对于运动目标的检测的算法可以划分为两类：基于象素强度的算法及基于运动的算法。细分又包括四种：基于特征的方法、基于帧间差分的方法、基于背景建模的方法和基于光流场的方法。其中前三种属于基于象素强度变化检测的算法,第四种可以看作是基于运动的检测方法。基于强度算法容易实现、效率高,可处理目标跟踪问题比较难。基于运动的算法稳定性强,处理跟踪问题相对简单。该文重点研究目标检测的DSP算法实现,所以在参考大量文献后,选用了传统检测算法中速度较快而且相对便于硬件实现的帧间差分算法,为了取得良好快速的目标检测结果,该文采用Sobel算子与帧间差分结合的方法。     

基于DSP的检测算法实现及优化

运动目标检测可以从连续变化的多幅图像中把运动目标提取出来。运动目标的捕捉对于目标分化、采集和动作归类等后续处理相当重要,因为后期过程只处理图像中运动目标周围一定范围内的像素。但由于运动目标所处背景的随机性,比如气候、光线及噪声干扰的影响,检测运动目标实际上是一项比较困难的任务。目前对于运动目标的检测的算法可以划分为两类:基于象素强度的算法及基于运动的算法。细分又包括四种:基于特征的方法、基于帧间差分的方法、基于背景建模的方法和基于光流场的方法。其中前三种属于基于象素强度变化检测的算法,第四种可以看作是基于运动的检测方法。基于强度算法容易实现、效率高,可处理目标跟踪问题比较难。基于运动的算法稳定性强,处理跟踪问题相对简单。该文重点研究目标检测的DSP算法实现,所以在参考大量文献后,选用了传统检测算法中速度较快而且相对便于硬件实现的帧间差分算法,为了取得良好快速的目标检测结果,该文采用Sobel算子与帧间差分结合的方法。     

基于均值漂移聚类的运动目标检测

为了有效减少噪声对运动目标检测的影响,提出了一种利用均值漂移聚类实现运动目标检测的方法。首先运用Mean Shift算法分别对三帧连续图像进行平滑去噪处理,然后对图像进行边缘提取,最后通过三帧差分法对三帧图像进行差分,进而得到运动目标。实验结果表明,该方法可以有效地抑制噪声并提取出运动目标。     

动态阈值的Vibe运动目标检测

Vibe算法是一种高效的像素级背景建模算法,但是它同混合高斯模型一样,不能适应光线突变的问题,在对Vibe算法的基础上提出了一种在静态场景下对光照变化鲁棒的运动目标检测方法。该方法首先利用Vibe模型建立背景样本集,并利用Vibe模型对判别为背景的像素对背景帧进行更新。其次视频当前图像帧与背景帧差分,并采用Otsu算法计算图像的分割阈值来检测运动目标。实验结果表明,改进的方法能够很好地消除由于环境光照变化引起的“曝光”现象,提高了运动目标检测的精确度,并且改进的算法对室内场景下的阴影也有较好的抑制作用。     

动态场景图像序列中运动目标检测新方法

在动态场景图像序列中检测运动目标时,如何消除因摄影机运动带来的图像帧间全局运动的影响,以便分割图像中的静止背景和运动物体,是一个必须解决的难题。针对复杂背景下动态场景图像序列的特性,给出了一种新的基于场景图像参考点3D位置恢复的图像背景判别方法和运动目标检测方法。首先,介绍了图像序列的层次化运动模型以及基于它的运动分割方法;然后,利用估计出的投影矩阵计算序列图像中各运动层的参考点3D位置,根据同一景物在不同帧中参考点3D位置恢复值的变化特性,来判别静止背景对应的运动层和运动目标对应的运动层,从而分割出图像中的静止背景和运动目标;最后,给出了动态场景图像序列中运动目标检测的详细算法。实验结果表明,新算法较好地解决了在具有多组帧间全局运动参数的动态场景序列图像中检测运动目标的问题,较大地提高了运动目标跟踪算法的有效性和鲁棒性。     

基于序列图像的实时人流检测与识别算法研究

针对可见光下人流检测、识别算法中存在的运动目标分割准确率低、识别效果差等问题,提出一种新的跟踪与识别方法.首先利用序列图像中运动目标时空一致性,将帧间二阶差分(SODP)与边缘检测相结合进行运动目标分割;再根据行人运动模型和运动目标局部性特征,通过粗采样方法快速提取跟踪特征向量;利用运动目标轮廓投影比、形状因子等特征分量,并构造基于人工神经网络的运动目标分类器进行识别.通过对大型商场进行的实际测试表明:该方法在运行效率、识别准确率方面均取得满意结果.同时,算法对于光线、阴影和人流变化等外界因素的影响,具有较强适应性.     

一种基于相关特征匹配的移动目标检测方法

提出了一种在变化背景中利用相关特征匹配来检测移动目标的方法,该方法利用图像的灰度均值及灰度均方差作为自适应阈值过滤原图像,将图像中的目标物分离;提取特征并将特征参数化,利用特征参数欧式距离检测目标;通过检测连续多帧图像,对图像中非移动目标进行过滤,最终得到移动目标。该方法与相关系数法检测移动目标的方法相比减少了计算量,并且相邻图像中存在部分相同背景的情况不影响检测结果。实验结果证明,该方法能在变化背景图像中有效地检测到运动目标。     

图像目标检测识别和跟踪仿真研究

研究图像检测优化问题,在传统的图像目标跟踪中始终选用起始帧作为目标模板,没有根据实际情况实时更新目标模板,容易导致目标跟踪识别错误.针对图像目标识别跟踪缺乏全自动智能跟踪的难点问题,提出了在一定变化条件下运动图像目标的全自动识别跟踪方法.首先,在目标检测中为了提高实时性,采用了一种特殊形式的帧间差分算法对目标进行检测;其次,为有效抑制噪声和增强图像目标,在确定目标模板的过程中加入了图像形态学算法;最后,利用改进的均值漂移算法,根据巴氏系数相对量的变化情况实时更换目标模板,实现对目标全自动跟踪.经过仿真表明,利用改进的图像处理方法实现了在外部干扰条件下目标的自动检测识别和跟踪,并具备对图像目标的全自动跟踪能力,速度较快,为图像目标检测系统的设计提供了依据.     

基于累积绝对差图像与交叉熵分割的运动目标检测与定位

提出了一种新的运动目标检测与定位方法。针对位移变化较小的运动目标，先对运动序列中所有相邻两帧图像作绝对值差分运算，然后再将绝对值差分结果进行累加，从而得到累积绝对差图像。利用交叉熵分割法对累积绝对差图像二值化，并结合形态学方法去除噪声，求取出目标的运动区域。对运动序列的首帧和尾帧进行差分运算并二值化．为了去噪，将首尾帧差图像与累积绝对差图像进行逻辑与运算，确定出目标在首尾图像中的位置。实验结果表明了本方法的有效性和鲁棒性。     

适应灰度和光照变化的运动目标跟踪方法

提出一种适应目标表面灰度和光照不均匀的运动目标跟踪方法，首先从序列图像的前2帧中检测出运动的目标，然后针对Level Set中Fast Marching方法的不足，在改进Fast Marching方法的基础上对运动目标进行跟踪，实验结果表明了该方法的有效性。     

一种基于梯度方向信息的运动目标检测算法

运动目标检测是智能视觉监控系统的基本内容。在对现有算法分析的基础上提出了一种基于梯度方向信息的运动目标检测算法。首先利用方向信息提取视频图像序列中每一帧的边缘梯度图,然后通过改进传统帧差算法,采用uint8数据格式处理含有时间关系的两帧图像以此确定运动目标粗略边界,经运动目标连通域识别,最后结合梯度方向信息准确提取运动目标的完整轮廓。实验结果表明,该算法克服了传统帧差算法不能准确定位目标的缺点,在室内外复杂背景下均能准确地提取完整的目标轮廓。     

一种简单有效的运动目标检测算法

针对固定场景中运动目标检测遇到的运动目标状态突变,非运动目标干扰以及阴影等问题,提出了一种背景差分和帧间差分相结合的运动目标检测算法;该算法首先通过平均法背景模型确立背景,使用背景差分得到一幅二值化前景图像,然后将通过连续的多帧图像进行相邻帧差分得到的多幅二值化前景图像进行逻辑或运算,最后将运算结果同背景差分所得到的二值化前景图像进行逻辑与运算,得到最终运动目标区域;实验表明,该算法运算速度快,准确率高,并能满足实时检测的需要;不足之处是在摄像机与运动物体夹角很小的情况下,检测效果较差,但可以通过多台摄像机协同操作来达到理想的效果.     

一种基于帧间差分和光流技术结合的运动车辆检测和跟踪新算法

为了改进智能交通中的运动车辆检测和跟踪方法,提出一种基于改进的帧间差分和光流技术结合的运动车辆检测和跟踪的新方法。先用帧间差分法检测出运动物体的运动区域,再计算差值图中不为零处的光流,然后利用其光流场来实现运动目标的跟踪。为了减少计算量,提出一种基于最优估计的点匹配技术和光流均匀采样策略的光流场计算方法,并通过对灰度化后的光流场进行自适应阈值分割、形态学滤波等处理,实现了实时的运动目标检测和跟踪。     

Pedestrian detection and tracking using temporal differencing and HOG features

This article proposes a multiple human detection and tracking approach. A moving person identification technique is provided first. The video objects are detected using a novel temporal differencing based procedure and several mathematical morphology-based operations. Then, our technique determines what moving image objects represent pedestrian people, by testing several conditions related to human bodies and detecting the skin regions from the movie frames. A robust human tracking method using a Histogram of Oriented Gradient (HOG) based template matching process is then introduced in our paper. Some person detection and tracking experiments and method comparisons are also described.     

Moving object detection algorithm based on pixel spatial sample difference consensus

Moving object detection is an essential component for security video surveillance system and other computer vision applications. Although the latest object detection methods get promising detection expectations, however, accurate detection is still a tricky problem due to various challenges such as aperture effects, illumination variations, camouflage issues and retention problems in unconstrained video environments. In this paper, we propose a brand-new theoretical framework for foreground object detection based on the stable spatial relationship between current pixel and the randomly selected pixels in current frame. Different from the existing methods which determine the moving object area by comparing each pixel value with its surrounding pixels or by comparing two pixel values occupying the same positions in adjacent frames, the proposed algorithm sets up a spatial sample set for each individual pixel and defines Spatial Sample Difference Consensus (SSDC), which denotes changes of stable spatial relationship rather than direct changes in pixel values. Thus, the proposed algorithm computes the SSDC between two adjacent frames to subtract the moving objects. The experiments on recent data-set in both indoor and outdoor surveillance video sequences show that the proposed method achieved promising performance after compared with several state-of-the art methods.     

Efficient region-based motion segmentation for a video monitoring system

This paper presents an efficient region-based motion segmentation method for segmentation of moving objects in a traffic scene with a focus on a video monitoring system (VMS). The presented method consists of two phases: first, in the motion detection phase, the positions of moving objects in a scene are determined using an adaptive thresholding method. To detect varying regions by moving objects, instead of determining the threshold value manually, we use an adaptive thresholding method to automatically choose the threshold value. Second, in the motion segmentation phase, pixels that have similar intensity and motion information are segmented using a weighted k-means clustering algorithm to the binary region of the motion mask obtained in the motion detection. In this way, we need not process a whole image so computation time is reduced. Experimental results demonstrate robustness not only in the variation of luminance conditions and changes in environmental conditions, but also for occlusions among multiple moving objects.     

视频序列的全景图拼接技术

提出了一种对视频序列进行全景图拼接的方法。主要讨论了有大面积的非刚性运动物体出现的序列，不过此方法也同样适用于无运动物体的纯背景序列。为计算各帧间的投影关系，用仿射模型来描述摄像机运动，并用特征点匹配的方法计算出模型中各参数的值。由于用相关法计算的匹配结果准确率比较低，所以用RANSAC（Random Sampling Consensus）对匹配结果进行了筛选，可以准确求出摄像机运动参数。利用运动参数进行投影，然后用多帧相减并求交集，估计出每帧图像中运动物体存在的区域，最后计算得到了全景图。该方法的结果与前人得到的结果进行了比较，证明用此方法能获得质量较高的全景图。     

基于RGB颜色空间的减背景运动目标检测

在计算机视觉领域中,运动目标检测与分割是一个基础而又关键的问题.减背景法是其中一个比较经典和常用的方法,其难点在于如何获取背景以及实现背景的自适应更新.针对该问?提出一种基于RGB颜色空间的运动目标检测算法,充分利用了图像序列在RGB空间中的变化特点,首先通过抽取帧图像进行背景重构,即对图像序列中每个像素点的RGB值进行排序后取中间值作为该点背景像素的RGB值;在此基础上引入学习率对背景进行自适应更新,然后在RGB空间中进行前景目标提取,最后利用数学形态学和连通性分析对结果进行后处理.实验结果表明,该算法快速有效、能够满足实时要求.     

融合时域信息的修正分水岭视频分割新方法

提出一种将时域信息融入分水岭的视频分割新方法,以帧间变化检测为基础,通过运动边缘信息得到对象的初始模型,利用时域信息得到前景和背景的标识,结合提出的彩色多尺度形态学梯度算子进行分水岭分割,得到具有精确边界的视频对象,对慢变和快变的目标均有良好的效果,能够检测新出现的运动对象和现有对象的消失,能够定位和跟踪运动目标.继承了变化检测和分水岭算法速度快的优点,克服了两者易受噪声影响的缺点.