基于改进ViBe的多行人检测方法

利用改进的Vi Be算法及模板匹配方法对多行人场景进行了目标检测.为了提高运动目标检测性能,提出将原Vi Be算法与帧间差分相结合的方法,该方法使二值图像中的鬼影比原Vi Be算法消除更为迅速.根据待处理像素点周围已完成的前背景分离结果,利用动态计算模型参数估计前背景,以提高前景目标提取的准确度.基于HOG算法识别运动目标中的行人目标.实验结果表明,该方法在没有降低运动物体检测实时性的同时,明显提高了算法检测的准确度.     

基于三帧差分及Canny算子的运动目标提取

针对目前常用的运动目标提取方法易受到噪声、光线变化的影响,很难提取出完整的运动目标这一问题,提出一种基于三帧差分和Canny边缘检测相结合的运动目标提取算法.该算法首先对连续三帧图像进行差分;然后对差分结果其进行区域填充,得到运动区域;再对当前帧进行Canny边缘检测得到边缘图像,二者相“与”得到运动目标的精确边缘图像;最后通过区域填充得到运动目标图像,从而实现运动目标的提取.实验表明,该算法可以实时有效地将运动物体从图像序列中提取出来.     

基于改进的差分相乘运动目标检测

针对传统帧间差分在目标检测中的不足,提出了基于改进的差分相乘的运动目标检测方法.该算法通过四帧差分分别和混合高斯建模得到的背景图像差分之后再相与,然后通过阈值技术得到运动目标,背景自适应的更新减少了噪声和光照变化对检测的影响,从而解决传统帧差法可能出现的无法检测完整目标的现象.实验表明,改进算法改善了传统帧差法中存在的较多伪目标点与空洞现象,提高了运动目标检测的效率和准确性.     

基于动态阈值的运动目标检测算法

本文给出的运动目标检测算法,提出了一种基于动态阈值对称差分和背景差分的运动对象检测算法,详细描述了算法的原理和流程。此外,本文在运动目标检测算法的过程中还采用动态最优阈值的方法,进一步提高了运动目标检测的准确性。     

基于幂次变换和区域收缩算法的运动目标检测与定位

运动目标分割与跟踪是计算机视觉中的重要研究课题,而目标检测与定位是其中的必要步骤,对分割与跟踪效果影响很大.在此提出一种新的运动目标检测与定位方法,该方法在差分二值图像上,通过区域收缩定位到运动像素密度较大的区域,从而实现运动目标定位.在多目标情况下,先通过幂次变换突出不同位置的目标,然后再通过区域收缩实现目标定位,给出目标的特征矩形,便于进一步的跟踪与识别.该方法不需要任何关于目标数的先验知识,对噪声鲁棒性较强.文中给出的实验结果证明该算法的有效性.     

一种自适应背景差分运动目标检测算法

运动目标检测是运动行为理解的前提,也是安防系统研究的热点、难点问题。在分析现有检测算法的基础上,针对背景更新模型不准确、分割阈值难以选取等问题,提出了一套自适应背景差分运动目标检测算法。算法包括：基于像素相关区域灰度曲率特征的背景更新模型,基于直方图统计的动态阈值,改进型区域生长的运动目标标识。实验表明该算法能较好解决光照变化所引起的背景更新以及不同环境下阈值选取等问题。     

智能视频监控中的一种快速运动目标检测方法

为解决现有视频监控系统中目标检测算法无法应付复杂的环境且计算量较大等问题,结合背景模型算法和帧间差分的优点,对混合高斯背景方法和帧间差分进行改进,提出一种基于混合高斯模型背景法和混合差分相结合的运动目标检测改进算法.利用分块思想进行高斯背景建模,利用多帧差分实现混合差分,既能得到较高的灵敏度又能进一步提高检测效果和速度.通过实验证明该算法的可靠性和实时性.     

基于融合邻域信息的海面运动目标检测

运动视目标检测是视频信息处理的重要研究课题之一.本文提出了一种基于高斯混合模型邻域信息融合的海面运动目标检测算法.该算法融合了背景差分和背景邻域信息差分,充分利用同一幅图像的像素邻域信息得到运动目标的种子点,认为高斯背景差分图像中包含种子点的连通区域为真实前景目标.实验表明,该方法可以避免背景模型在构建或更新阶段对场景的表征不足或错误而造成的误检,对强光下的海杂波也有良好的抑制作用,且对不同的气候环境有较好的鲁棒性.     

航道智能监控系统中运动目标的检测与分割

运动目标的检测与分割是航道智能监控系统中的重要环节,先通过对图像作预处理平滑图像去除噪声,减小波浪对运动目标检测算法的影响,然后利用运动目标检测算法在背景中提取到前景对象,最后通过连通区域标识算法把每个对象用一个外接矩形来标识,从而实现对运动目标的检测与分割。     

基于卡尔曼滤波器的运动目标检测与跟踪

针对摄像机静止的情况,提出了一种可运用于实时监控中的运动目标检测与跟踪的方法．采用更新函数实现背景实时更新,通过差分算法检测运动目标．在跟踪模块中,提出建立帧间目标“关系矩阵”实现多个运动目标匹配,并采用卡尔曼滤波器预测目标参数,在运动目标相互遮挡的情况下,根据预测参数跟踪目标,获得目标轨迹．通过多个图像序列测试,算法具有良好的实时性和适应环境变化的能力．     

基于时空特性的运动目标检测算法研究

采用时序分割虽然能够检测到运动目标区域,却不能准确地提取出目标轮廓．本文提出了基于时空特性的运动目标检测算法．由背景减法检测到运动目标的位置、形状、大小信息,然后采用以彩色梯度为外部能量的活动轮廓（snake）算法获得准确的运动对象轮廓．实验证明,本算法能够很好地提取出运动目标．     

一种基于背景重建和视差图的立体视频对象分割算法

提出了一种基于背景重建和视差图的立体视频分割算法,利用背景、视差和边缘等信息进行运动对象分割。该算法首先采用基于块的背景重建方法获取视频序列的背景信息,再利用背景相减法获得运动对象的初步分割结果,然后利用立体匹配获得的视差图对初步分割结果进行修正,最后利用边缘信息和后处理操作获得最终的立体视频运动对象。实验表明,该算法能够有效地从运动背景中将视频运动对象完整地提取出来。     

多运动目标探测标记及跟踪

针对跟踪系统对多目标跟踪以及对实时性的要求,给出了一种基于中心点和面积特征匹配的多运动目标探测标记及跟踪方法．该方法利用对多运动目标检测后的二值图像进行了连通成分标记,提出了一种新的探测搜索标记法,赋予不同连通区域不同的数字来区分,通过四连通区域法来实现．由运动目标的4个顶点来确定中心点,通过面积及中心点距离从而进一步去匹配,最后根据标记结果在原图像中准确地框定了各运动目标,从而实现对运动目标的跟踪．采用上述算法,对车辆视频进行了跟踪,取得了较好的实验结果,跟踪实验结果验证了该方法具有很好的实时性．     

一种固定背景下运动视频对象的自动分割方法

提出了一种固定背景运动视频对象的自动分割方法．该方法通过互帧差四次矩检测运动对象，利用背景减除对点分类，最后用彩色分水线算法得到运动对象实验证明该方法能够对固定背景下运动视频对象进行实时自动分割．     

基于背景差分的运动目标检测方法

针对静止摄像机下的运动目标检测问题,提出了一种基于背景减法的运动目标检测算法.通过对一组连续视频进行处理,从中得到不含运动目标的背景图像.再利用背景差分的方法提取出运动目标.在确定比较阈值的过程中,一改以往通过实验不断调整的做法,提出了动态阈值的概念,从而增强了检测效果,提高了算法的可实施性.融入了高斯模型关于背景更新的算法,克服了由于背景突然改变而造成的误检测.实验结果表明,通过背景差分与高斯模型相结合的方法,在有诸多不确定性因素的序列视频中构建背景有较好的自适应性,能迅速响应实际场景的变化,为准确地检测出运动目标提供了必要的基础.     

移动目标跟踪:一个基于多背景模型的技术

本文中,我们首先比较了视频序列中移动目标跟踪的各种背景压缩技术和基于平均滤子的改进方法。然后,提出了移动目标跟踪的多背景模型。实验证明,我们的方法可以得到更好的效果。     

一种混合高斯背景模型下的像素分类运动目标检测方法

运动目标检测在智能视频监控、人机交互、目标导航等诸多领域有着广泛应用.背景减法是运动目标检测中应用较广泛的一种方法.在该方法中,背景建模和阈值化分割是最重要的步骤,直接决定了检测效果的好坏.当目标本身变化比较大时,若利用传统的基于全局阈值的分割法,分割效果并不理想.针对基于全局阈值分割差分图像存在的问题,本文提出了一种基于混合高斯背景模型的像素分类运动目标检测方法.该方法首先利用混合高斯模型对背景建模,克服了场景变化等因素带来的影响;其次,利用背景减法得到差分图像并对像素进行分类,最后对分类后的像素集分别进行阈值化分割,得到前景目标.实验结果表明,与传统的基于全局阈值的分割法相比,本文算法能够获得更好的检测效果和鲁棒性.     

融合空域信息的码本动态背景相减算法

背景动态纹理是导致传统背景相减算法性能下降的一个重要因素。为了区分背景动态纹理导致的图像运动与真实目标导致的图像运动,同时确保目标检测的完整,对码本编码的过程引入空间位置信息,实现近邻像素间码本模型的共享。这样不仅利用了动态背景的时间准周期行为,还兼顾了它们的空间准周期行为。在保证检测率的基础上,降低了虚警的产生。实验结果证实了提出算法的有效性。     

双阈值灰度归类背景重构算法

 针对背景差法背景重构的难点,提出了一种改进的像素灰度归类的背景重构算法。该方法假定“背景在图像序列中总是最常被观测到”,根据帧间灰度差和累计帧差和划分灰度类,对划分的灰度区间执行合并操作,最后选择出现频率最大的灰度类作为该像素的背景值。仿真结果表明,该算法有效地避免了混合现象,当场景本身存在缓慢变化时也能很好地构建出背景,从而有利于后续的运动目标检测、识别和跟踪。     

Motion Tracking with Fast Adaptive Background Subtraction

0　ＩｎｔｒｏｄｕｃｔｉｏｎＩｎａｎｉｎｔｅｌｌｉｇｅｎｔｖｉｄｅｏｓｕｒｖｅｉｌｌａｎｃｅａｎｄｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍ ,ｏｎｅｏｆｔｈｅｍｏｓｔｃｏｍｐｌｅｘａｎｄｉｍｐｏｒｔａｎｔｔａｓｋｓｉｓｒｅａｌｔｉｍｅｅｘｔｒａｃｔｉｎｇａｎｄｔｒａｃｋｉｎｇｍｏｔｉｏｎｏｂｊｅｃｔｓ .Ｉｎｇｅｎｅｒａｌ,ｔｈｅｒｅｅｘｉｓｔｔｗｏｍｅｔｈｏｄｓｆｏｒｅｘｔｒａｃｔｉｏｎｎａｍｅｄａｓｆｏｒｅｇｒｏｕｎｄｅｘｔｒａｃｔｉｏｎａｎｄｂａｃｋｇｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎ ,ｒｅｓｐｅｃｔｉｖ…