一种基于反馈信息的视觉图像背景建模方法

高斯混合模型已经广泛应用于视觉图像的运动目标提取.但传统高斯混合模型存在静止前景融入背景的问题.为了解决这个问题,提出了一种特定场景下基于反馈信息的背景模型更新改进算法.首先采用基于形状特征的目标分类器将前景目标识别为行人和车辆,然后通过多目标跟踪判断目标是否静止,进而将前景目标识别为静止行人,运动行人,车辆三种模式,最后将跟踪与分类的结果与高斯模型的更新相结合,根据分类后反馈的信息对不同的分类区域采取不同的学习率更新.实验结果表明,该方法能够有效地解决特定场景中前景融入背景的问题.     

光纤缺陷实时检测与分类方法研究

针对人工检测高速运动光纤表面缺陷的效率低、准确性差、难以实时检测等问题,设计实现了一套基于机器视觉的快速光纤缺陷检测系统。定义光纤缺陷,建立分类数据库和分类标准;设计全方位数据采集系统自动连续获取光纤表面图像信息,输入工控机进行处理;提取光纤目标区域,获得光纤缺陷形态学特征数据;针对光纤缺陷特点和AdaBoost分类器的优缺点,设计了一种改进的基于形态特征的AdaBoost级联分类器用于光纤缺陷检测与分类,实现了光纤质量的实时监控。最后,将改进算法与标准AdaBoost算法在实际工业环境下进行对照实验,实验数据表明,改进算法的准确率达到99%以上,同时能大幅减少检测耗时,证明了所设计的检测系统具有很好的实时性和准确性。     

基于OpenCV的人脸检测与跟踪方法实现

人脸是视频内容中的重要信息,对人脸的检测与跟踪是智能视频分析的一个重要分支。实现了基于OpenCV的人脸检测与跟踪方法。首先计算视频图像的Haar-like特征,然后利用AdaBoost级联分类器进行人脸检测,最后使用基于颜色的Camshift算法实现人脸跟踪。在VS 2010开发平台上调用OpenCV函数库进行C++编程;并使用MFC框架实现了人脸检测与跟踪方法。仿真实验结果证明方法思路合理、计算复杂度较低、鲁棒性较好。     

一种基于支持向量机的行人识别方法研究

研究了基于支持向量机的车辆前方行人识别方法.通过提取样本的类Haar特征,采用AdaBoost算法训练得到了分割行人的级联分类器,实现了行人候选区域的快速分割;提取了样本的纹理特征、对称性特征、边界矩特征以及梯度方向特征,组成表征行人的多维特征向量,采用支持向量机训练得到了识别行人的分类器.试验结果验证了所提算法的有效性,获得约75%的行人检测率.     

融合多元特征信息的前方车辆图像识别

为了进一步降低虚假目标车辆的检测风险,提出了一种基于多元特征信息匹配的前方车辆图像识别方法。首先依据路面灰度均值突变搜索车辆候选区域,然后利用双通道Gabor滤波器提取车辆样本图像的多尺度方向特征,联合AdaBoost分类器与Cascade级联分类器形成一系列强分类器,对产生的5尺度8方向高维特征向量实施降维处理,同时分类筛选特征样本,最后结合灰度信息熵对称性测度辨识目标车辆存在性,完成了前方目标车辆的检测定位。研究结果表明:所提方法的检测准确率为96.7%,比经典算法提高了1.6%;整个检测过程最长耗时35 ms,最短耗时15ms,平均耗时25ms,检测耗时主要受车辆的大小以及背景复杂程度的影响;避免了单一特征下局部有效鉴别信息的损失,具有较好的识别精度和处理速度,车辆误检率仅为3.2%,优于其他车辆识别算法的误检率,提高了虚假目标检测的辨识度。     

基于改进高斯混合模型和卡尔曼滤波的车辆检测与跟踪

提出一种基于改进高斯混合模型和卡尔曼滤波的车辆检测与跟踪方法.该方法在车辆检测阶段,为了解决传统高斯混合模型对运动目标速度变化自适应能力较差的问题,通过定义运动目标速率因子,给出一种模型学习率自适应更新策略,对传统高斯混合模型进行了改进,并用以实现车辆检测;在车辆跟踪阶段,通过建立一个适用于视频目标跟踪的卡尔曼滤波系统,并以车辆检测阶段输出的车辆质心为该卡尔曼滤波系统的量测值,实现了选定车辆目标的跟踪.实验结果表明,该方法车辆检测与跟踪效果良好,能满足实际交通监控系统的需求.     

监控视频中的移动目标侦测算法研究

针对违章停车人工检测方式存在的准确率低、成本高且难以实时判断等缺点,文章提出一种监控视频中的移动目标侦测算法,用来检测和识别违章停车。该算法采用混合高斯模型进行背景建模,用以检测监控场景中的运动目标,并通过支持向量机(support vector machine,SVM)分类器判断运动目标是否为监控车辆,如果是监控车辆,则根据车辆停留时间将车辆分类,一旦发现违停车辆,系统会发出报警。实验结果表明,该算法准确率高、实时性好。     

基于类Haar特征和AdaBoost的车辆识别技术

在海量的监控视频中,快速、准确地识别车辆对公安破案和追踪具有重要的研究意义。通过提取车辆的类Haar特征,采用AdaBoost方法构建分类器可以实现监控视频中的车辆识别。针对原始算法误检率较高的问题,提出了采用背景差分去除背景干扰,以及采用目标对象差分法进行二次识别的两种改进算法。实验结果表明,两种改进算法都能够有效地降低误检率,提高检测率,并且对不同交通场景下的监控视频具有很好的检测效果。     

基于灰度渐变特征的运动车辆阴影检测

针对当前基于颜色特征的阴影检测算法鲁棒性低的缺点,本文提出了一种基于灰度渐变一致性的运动车辆阴影检测算法.首先应用改进的高斯混合模型对背景进行自适应重建和更新,然后根据差分图像中运动阴影在水平和竖直方向上灰度变化一致的特点,提取阴影区域的灰度跳变点,并以灰度跳变点的密度分布为依据分割车身区域和阴影区域,实现对阴影区域的识别与提取.实验结果表明,该算法能够快速有效地提取运动车辆的阴影,同时,本算法在阴影与相邻车辆车身重叠情况下也有较好的检测效果.     

基于改进Boosting算法的夜间运动车辆检测

针对夜间交通场景中运动车辆目标提取及实时检测困难的问题,引入改进的Boosting模糊分类算法,提出了一种新的基于车头灯的夜间运动车辆检测方法.通过SIFT算法和融合多特征的方法精确提取夜间运动车辆车头灯特征,利用遗传算法优化Boosting模糊分类算法,并以加权投票方式对提取的车头灯特征进行分类判别,最后结合车头灯空间、运动信息及灯光颜色信息进行同车车头灯配对分组,实现夜间运动车辆的实时检测.实验表明,该方法在夜间交通环境中具有良好的实时检测效果和较高鲁棒性.     

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.      

基于自适应轮廓匹配的视频运动车辆检测和跟踪

为了对高空拍摄的交通场景进行图像处理，实现对运动车辆的检测和跟踪，以获得车辆的运行轨迹，在固定模板的基础上，利用自适应轮廓匹配算法，结合误检判断和轮廓分解，较好地检测出了车辆轮廓，并能避免由于两辆车靠近带来的误检．将自适应轮廓匹配思想移植到车辆跟踪中，可以实现较为准确的跟踪．计算机检测和人工检测的比对实验表明，在一定的条件下，这种算法有效消除了误检和多检现象，其正确检出率达到95．01％，即使存在一定的漏检，也可以通过插值实现填充．     

基于改进的自适应混合高斯背景模型的车辆检测方法

针对静止摄像机条件下运动车辆的检测问题,提出一种改进的自适应混合高斯背景模型的方法.该方法初始时通过三帧差分法判断运动目标所在区域,运用提出的区域背景更新算法生成初始背景图像,然后在Stauffer等人提出的自适应混合高斯背景模型的基础上融入帧间差分和背景差分相结合的方法用于判定运动目标区域和背景区域,通过对背景区域和运动目标区域设置不同的学习率来更新背景模型,提高了模型的收敛速度.实验结果表明,同传统检测方法相比,改进的算法能较快地初始化背景模型并能有效地检测出运动车辆,有较强的鲁棒性和较好的自适应能力.     

一种运动车辆的阴影消除新方法

针对运动车辆阴影消除时可靠性和实时性难以兼容的问题,提出一种基于彩色检测线的线间差分的阴影消除新方法.通过检测运动区域四周方向线的线特性确定出运动区域所属的车辆/阴影模型,结合车辆/阴影模型和运动区域找到检测线,再利用检测线在彩色空间内的线间差分和检测线的属性找到阴影和车辆的分界点,进而根据分界点找到车辆和阴影的分界,从而实现阴影的消除.由于利用了检测线在彩色空间中的颜色特性和检测线在灰度空间中的背景图像,因而新方法具有较强的噪声抑制能力,并提高了低亮度车辆的阴影消除效果.实验结果表明,所采用的阴影消除新方法不仅具有较高的可靠性,也具有较好的实时性.     

用于交通治安卡口的全天候视频车辆检测方法

文章针对交通治安卡口应用,提出了一种基于视频的全天候智能车辆检测方法。该方法主要特点是不考虑车辆跟踪,提高了计算速度并避免了跟踪误差,适于嵌入到监控摄像机中;而且自动区分白天/夜间场景。对于白天场景,通过背景剪除、阴影抑制、形态学计算等手段获得运动信息,然后根据车辆的尺寸、对比度与纹理特征实现车辆检测;对于夜间场景,利用车灯的高亮度与对称性特征得到车辆检测结果。该方法快速有效,在现场采集的实际路况视频数据上,白天与夜间车辆检测准确率分别为96.42%和95.96%。     

基于差分均值背景提取和矩阵分区目标检测算法的研究

为提高对车辆图像的检测程度和实时性,针对智能交通系统,通过对实时路况的信息采集和视频图像的处理,提出了一种基于差分均值的背景提取计算方法和矩阵分区域的阴影检测方法,最终得到一个视频车辆的检测原型,从而实现对运动车辆的检测.实验结果表明,此种方法简单、计算量小、鲁棒性高,能快速地提取出背景图像,检测出比较完整的车辆阴影,可满足多运动目标的实时检测要求.     

融合改进帧差和边缘提取算法的运动目标检测

针对帧差算法检测运动目标存在的目标边缘缺失和空洞的问题,提出一种将改进帧差和基于改进Canny算子的运动目标边缘提取方法相融合的运动目标检测算法。首先,使用帧差法快速检测变化区域,并通过面积阈值判断是否进行当前帧的检测以提高算法实时性;其次,在运动目标边缘提取中,提出一种基于改进Canny算子的运动目标边缘提取方法提取当前帧运动目标边缘,以解决检测目标边缘缺失的问题;最后,将改进的三帧差分法提取运动目标像素点填充目标边缘图像,以解决检测目标内部空洞的问题。对比实验结果表明,该融合算法对视频中的运动目标能以较高的准确度和完整度实现运动目标的高效检测。     

基于车道线识别和多特征的前车检测算法

前车检测是安全辅助驾驶系统的主要研究领域,实时鲁棒的检测方法能够使智能车实现有效的防偏防撞预警和控制。提出了一种基于车道线识别和多特征的前车检测方法。首先基于车道线识别方法将感兴趣区域定位于两条车道线之间,然后依据车底阴影特征自适应确定中远距离车辆假设区域,最后利用纹理特征、垂直梯度投影均值和边缘对称性特征三层约束来验证车辆区域。实验结果表明:该方法能够实时准确地检测出不同光照条件下本车车道前方中远距离的车辆。     

混合交通场景中的车辆检测和识别

介绍了一种城市交通流量视频检测系统及其车辆识别新算法。通过检测道路上的运动目标并利用目标的运动信息和外形特征进行车辆识别。考虑到目标的阴影会影响目标的形状特征 ,导致目标识别错误 ,提出了一种新的阴影检测算法———利用目标的灰度特征对运动目标进行阴影检测和分离。实验结果表明该系统在模拟城市混合交通环境下 ,能够克服目标阴影的影响 ,准确检测和识别车辆 ,同时能够满足实时性的要求