视频图像序列中的运动目标实时检测

大多数基于背景差的运动目标检测方法,主要运用背景图像与当前帧图像之差进行目标检测和提取,但对背景的实时更新和场景中的光线明显变化等情况不能很好的处理.本文结合Surendra背景更新算法和动态阈值背景差算法,给出了一种新的运动目标实时检测算法.首先采用Surendra方法动态更新背景,然后使用Ostu算法计算出的阈值与一个反映光线变化的增量之和为阈值实时检测运动目标.该算法既可以稳定地对背景进行实时更新,又可以适应场景光照变化的情况.     

基于改进的区域背景实时更新的目标检测

针对静止摄像机条件下运动目标的检测问题,提出了基于改进的区域背景实时更新的目标检测算法,该方法首先对连续的三帧图像分别做帧间差分并将差分图像二值化,运用改进的线段编码的方法对二值化后的差分图像进行扩充以填补由帧间差分引起的空洞,然后用当前的二值化差分图像减去前一个二值化差分图像,差值为负的区域就是背景应该实时更新的区域,最后用传统的背景差分法就能检测出运动目标.实验结果表明,该方法不仅能在一直有运动物体的视野内获得完整的背景图像,而且背景的实时更新也能有效的减小噪声和突然进入摄像机视野的物体的干扰,有较强的鲁棒性.     

基于交通视频的运动车辆检测方法

为解决交通测试系统中车辆实时跟踪和分割的问题, 以数字图像处理方法为手段, 针对采集到的交通路况信息, 重点研究了背景差分算法提取运动车辆, 并提出了一种计算量较小的自适应背景更新算法; 采用一种工作在HSV(Hue, Saturation, Valve)空间非基于模型的车辆阴影检测算法, 并提出设置阈值参数的方法, 在去除车辆阴影的同时也滤除了行人、 自行车及摩托车等干扰; 针对车辆阴影检测后的二值化图像, 采用适合的形态学方法进行后期处理。对实际交通环境下的大量视频和图像进行测试的结果表明, 该方法可以有效地实现运动车辆的检测。     

基于背景差分法和帧间差分法的车辆运动目标检测

针对背景差分法和帧间差分法在检测车辆运动目标时存在阴影的问题,提出一种结合背景差分法和帧间差分法去除阴影的车辆运动目标检测算法.首先采用均值法从图像序列建模获取背景,通过背景差分法对当前帧进行差分得到背景差分图,二值化得到二值图.然后利用改进Robert算子对二值图与背景差分图进行边缘检测.最后通过对两张边缘图像进行帧间差分,得到去除阴影的车辆运动目标.     

视频图像中的运动车辆检测算法研究及仿真

对于运动车辆跟踪和检测是实现准确采集和检测交通信息的难题和关键,人们非常关注通过对跟踪车辆的视频图像来分析车辆的运动规律。对比分析背景差分法和帧差法来检测运动车辆的效果,帧差法的算法要比背景差分法简单,但是效果不如背景差分法明显。     

改进水平集的车辆检测算法

针对视频序列的车辆检测,研究了常用的车辆检测算法.提出一种改进的基于水平集函数的车辆检测算法.利用均值法建立背景模型,采用背景差分法获得车辆运动区域位置,大大缩小水平集函数在图像中曲线演化的范围,快速准确地检测到车辆.     

复杂场景下运动车辆实时动态自适应检测方法

针对复杂交通场景中运动车辆检测方法存在的局限性,提出了一种基于自适应背景与改进动态阈值相结合的运动检测算法.基于当前帧与背景相减得到的差分图像,利用自适应阈值选取方法分别对差分图像的三个颜色通道进行二值化,从而实现运动目标的精确检测.根据检测结果,采用中值更新策略实现背景图像的实时更新.实验结果表明,该算法可以从复杂交通场景图像序列中有效地检测出运动目标.而且算法计算量小,具有良好的鲁棒性与实时性品质指标,能够很好地满足智能交通监控系统中运动车辆实时检测技术要求.     

改进水平集的车辆检测算法

针对视频序列的车辆检测,研究了常用的车辆检测算法。提出一种改进的基于水平集函数的车辆检测算法。利用均值法建立背景模型,采用背景差分法获得车辆运动区域位置,大大缩小水平集函数在图像中曲线演化的范围,快速准确地检测到车辆。     

智能视频分析的车辆异常行为检测方法

针对目前车辆异常行为检测中的检测实时性问题,提出了一种基于智能视频分析技术的车辆异常行为检测方法。车辆出现异常行为时车辆位置变化、速度变化及运动方向变化较大。通过背景差分法检测运动车辆,并采用均值漂移算法跟踪运动车辆,获取车辆位置、速度、运动方向等车辆异常行为判别参数,对3种判别参数的状态函数加权融合检测车辆行为。为验证该算法的有效性,将对真实交通场景中采集的交通视频进行车辆运行状态检测实验。实验结果证明该算法能及时有效地检测出交通场景中的车辆异常行为。     

改进型自适应差分算法

本文就在复杂背景下的运动目标检测,对传统的帧间差分法和背景帧差法进行改进,对Canny算子检测边缘检测运动目标和增加计数器来对背景模型实时更新的基本算法进行改进,对他们的缺点进行改进,同时引入了中值法提取的背景作为初始背景,大津法进行目标分割,再结合集合关系。将得到的两种二值化图像进行与运算,最后利用图像形态学滤波得到准确的运动目标。     

基于图像块归类的背景重构算法

为了降低图像序列运动目标检测中背景重构的时间复杂度和空间复杂度,提出一种基于子图像块归类的背景重构算法.在假设背景图像块以最大概率出现在图像序列中的前提下,选择编号频率最高的图像块作为背景图像块进行背景重构.在运动目标有较长的暂时停顿情况下,即观测长度较长时利用该算法进行实时背景重构具有明显的优点.仿真结果表明,该算法能够准确地重构背景,并有效地避免混合现象,从而实现对运动目标的完整提取,以便进一步识别或跟踪.     

基于感兴趣区域AdaBoost分类器的视频车辆检测研究

近年来基于视频的车辆自动检测作为城市智能交通系统的一项重要技术一直受到关注.针对AdaBoost分类器目标检测所存在的漏检、误检和计算量过大等问题,提出一种基于混合高斯模型运动区域提取和Haar-like特征的AdaBoost级联分类器的交通视频车辆检测算法,首先通过建立混合高斯模型对运动目标的总体区域进行检测,进而提取基于车辆运动的感兴趣区域,再对其进行基于Haar-like特征的区域AdaBoost级联分类,实现对运动车辆的检测.由于采用了基于运动区域提取和分类相结合的检测模式,通过混合高斯背景模型较准确的提取出ROI作为车辆的候选区域,约束了每帧的搜索区域,使AdaBoost分类器的目标检测更具针对性,提高了检测的准确性,降低了漏检率;同时也减少了分类算法滑动窗口扫描所需要的时间,提高了检测速度.实验结果验证了所提出算法对复杂交通环境车辆检测的适应性和有效性.     

一种背景自适应的运动目标检测算法

鉴于传统混合高斯模型背景更新的不足,融合边缘检测、帧间差分,提出一种背景自适应的运动目标检测算法。该算法利用Sobel算子提取图像的边缘信息,采用了三帧差分法把每帧图像分为背景区域、背景暴露区域以及目标运动区域,对背景暴露区域、背景区域以及运动区域采用不同的背景更新策略。实验表明,算法对缓慢运动物体、光线突变及背景融入等条件有较好的适应性,能够有效地检测运动目标。     

一种基于运动目标检测的视觉车辆跟踪方法

针对复杂交通场景中动态光照变化、阴影和遮挡等因素带来的影响,提出了一种基于运动目标检测的高效、鲁棒的车辆跟踪方法. 采用自适应背景建模获取动态场景中的运动信息,通过阴影去除获得准确的运动区域,并针对场景中的遮挡问题提出了相应的遮挡检测与处理策略,最后通过区域匹配获得跟踪结果,同时使用Kalman滤波器建立车辆的运动模型,对跟踪结果进行了约束和优化. 实验结果表明,提出的视觉车辆跟踪方法可以在复杂多变的室外场景下有效地解决场景中的阴影和遮挡问题,得到鲁棒的车辆跟踪结果.      

基于阴影抑制和自适应背景更新的车辆检测系统

在基于视频的交通监控系统中,车辆的正确检测是关键,目前采用的典型方法是背景相减法.为了提高对多车道上运动车辆检测的正确率,该文提出的车辆检测系统采用了快速自适应背景生成与更新算法,并结合基于轮廓跟踪的阴影去除技术,可以达到精确定位车辆的目的.实验图像数据表明:该检测技术较传统方法更具鲁棒性和准确性,并且从算法实现的角度来看,具有简单易用、实时性较高的特点.     

一种微小视频变化的移动检测方法

提出了一种用于数字视频监控系统中运动物体检测和报警的优化背景差法。针对该算法本文进行了详细的分析,并设计了算法流程。用此算法重建背景图像以及用图像差分算法计算像素改变比例,能监测慢速、微量变化的运动物体。最后与相邻帧差法进行了实验比对,实验结果表明该方法有明显的优势。优化背景差法实现简单、快速、有效,适用于对重点区域进行微小移动监测的监控系统。     

Motion Tracking with Fast Adaptive Background Subtraction

0　ＩｎｔｒｏｄｕｃｔｉｏｎＩｎａｎｉｎｔｅｌｌｉｇｅｎｔｖｉｄｅｏｓｕｒｖｅｉｌｌａｎｃｅａｎｄｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍ ,ｏｎｅｏｆｔｈｅｍｏｓｔｃｏｍｐｌｅｘａｎｄｉｍｐｏｒｔａｎｔｔａｓｋｓｉｓｒｅａｌｔｉｍｅｅｘｔｒａｃｔｉｎｇａｎｄｔｒａｃｋｉｎｇｍｏｔｉｏｎｏｂｊｅｃｔｓ .Ｉｎｇｅｎｅｒａｌ,ｔｈｅｒｅｅｘｉｓｔｔｗｏｍｅｔｈｏｄｓｆｏｒｅｘｔｒａｃｔｉｏｎｎａｍｅｄａｓｆｏｒｅｇｒｏｕｎｄｅｘｔｒａｃｔｉｏｎａｎｄｂａｃｋｇｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎ ,ｒｅｓｐｅｃｔｉｖ…     

阴影处理在交通监控系统中的应用

在视频交通监控系统中阴影去除结果与后续的整个监控系统有很大的关系,例如车型分类,车辆跟踪以及车流量统计和测速都会因为阴影产生很大的困难。本文结合车辆监控系统所观测的道路场景的特点,分析了具体情况下阴影的特殊性,提出一种有效的阴影去除算法。该方法将时间信息和道路纹理特征有效的应用于算法中。首先,在序列图片中进行运动物体分割;下来,在前景中应用边缘信息和纹理特征实现车辆和阴影的区分。经过实时系统的应用显示出很好的阴影去除性能。