基于混合高斯模型的运动目标检测算法

针对摄像机在静止条件下的自适应运动目标检测,提出一种改进的运动目标检测算法。首先,针对高斯混合背景建模初期背景建模效果不理想的问题,利用统计的方法得到背景模型,根据背景图像建立高斯混合模型;在模型学习方面,为均值与方差设置了不同的学习率。针对传统的LBP算子的缺陷,提出了一种改进的纹理特征算子,将其与HSV颜色空间去阴影的方法相结合,从而实现对阴影的检测与去除,利用随机Hough算子对圆的检测原理,在运动目标检测的基础之上,实现对人头的边缘检测。实验结果表明:该算法可以很好地检测出运动目标,并能够有效去除运动目标包含的阴影区域,从而实现人头区域的检测。     

基于分区灰度投影稳像的运动目标检测算法

针对视频监控系统中,复杂环境引起摄像机抖动,造成运动目标检测不准确的问题,提出了一种基于分区灰度投影稳像的运动目标检测算法.首先对每帧图像进行分区,利用分区灰度投影算法对图像各分区的运动矢量进行准确提取和相关性分析,进行抖动判断,并对抖动帧进行运动补偿.然后利用高斯混合背景建模算法进行运动目标提取.最后对目标提取结果进行形态学处理,以进一步提高目标提取的精度.实验结果表明,本文算法较好地消除了场景中运动目标对运动矢量计算的干扰,实现了在摄像机抖动视频场景中的运动目标的准确检测和提取,大大降低了抖动视频目标检测的虚警率.     

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。     

基于三帧差分混合高斯背景模型运动目标检测

针对混合高斯背景模型运动目标检测的光照突变误检以及突然运动目标的“鬼影”问题,提出了一种基于三帧差分的混合高斯背景模型运动目标检测算法。通过图像前景检测比例判断光照是否发生突变,利用三帧差分法对图像的背景区域、运动区域和背景显露区域进行划分,并根据光照情况及时改变各区域的学习率以调节混合高斯模型背景迅速更新,设计了基于三帧差分的学习率自适应混合高斯模型背景更新的方法。该方法使光照突变及目标突然运动后产生的新的背景模型得到迅速更新,从而改善这两种情况下运动目标检测效果。实验结果表明,该算法避免了光照突变时的大面积误检现象,并且同时解决了突然运动目标的“鬼影”问题。     

一种多特征融合的运动目标检测算法

针对传统的混合高斯背景模型目标检测算法在复杂背景干扰和阴影条件下无法准确检测出目标的问题,提出一种多特征融合的运动目标检测算法.将包含上下文信息的局部二值模式(context local binary patterns,CLBP)纹理特征和HSV颜色特征的色调信息相结合,利用CLBP直方图向量和局部色度向量与高斯背景模型进行匹配实现运动目标检测.结果表明,该算法在满足实时性的前提下,对受阴影、目标遮挡和图像抖动等干扰时的目标检测准确性较高.     

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.     

基于高速球形摄像机的运动目标检测与实时跟踪系统

利用高速球形摄像机和图像采集与处理单元,设计了一种运动目标检测与实时跟踪系统．首先用混合高斯背景模型实现对运动目标所在区域的识别,由此确定运动区域的质心,并以该质心为中心初始化跟踪窗口;然后在目标区域内提取颜色特征,通过CamShift算法计算目标的精确位置并调整搜索窗口大小．系统利用这些信息,通过串口控制高速球形摄像机的运动,使目标始终位于摄像头的视场范围内,并尽可能位于视场中央,以实现对运动目标的快速准确的实时跟踪．在艾立克一体化球形摄像机上进行了实验,验证了本系统的有效性．     

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.     

基于混合高斯和HOG+SVM的行人检测模型

为了提高行人检测系统的检测率,提出了一种基于混合高斯背景建模结合方向梯度直方图(histogram of oriented gradient,HOG)+支持向量机(support vector machine,SVM)的行人检测模型.首先,采用混合高斯模型进行前景分割,有效提取出运动目标区域;然后,在行人识别部分通过缩小检测窗口尺寸来降低HOG特征维数;另外,利用误识别区域,对样本库的信息进行二次更新,以优化SVM分类器;最后,以随机视频帧为测试样本进行模型性能验证.结果表明,在保证检测率和检测速率的情况下,该混合高斯结合HOG+SVM模型的误检率仅为4%,说明该模型能够在复杂场景下实时准确地进行行人检测.     

基于PCNN的高斯混合模型运动检测改进方法

针对同定摄像机的视频监控系统,提出了一种改进的基于混合高斯模型的运动目标检测方法.改进方法引入PCNN算法,针对模型匹配问题,提出自适应局部阈值算法并结合区域增长思想,利用PCNN的迭代计算,逐步检测出运动目标.实验表明,改进的方法与传统方法相比具有更好的运动目标检测能力,在运动目标和背景的灰度值差别比较小的情况下,能改善其运动目标检测的效果.     

具有统计特征的微小型零件边缘识别技术

针对微小型零件边缘检测问题,提出一种宏观检测和微观检测相结合的边缘识别方法. 首先根据分形理论,利用微小型零件图像的分形特征进行区域分割,检测出图像中的边缘区域;然后利用微观检测算子检测出微小型零件的边缘点;最后用最小二乘法拟合出微小型零件的边缘. 实验结果表明,这种宏观检测和微观检测相结合的方法能够排除下边缘、背景和随机边缘的影响,准确地识别出具有统计特征的微小型零件的边缘,检测精度达到像素级.     

基于匹配分布和混合高斯模型的车辆检测算法

为解决高斯混合模型GMM（Gaussian Mixture Model）在车辆检测中存在的车辆断裂等问题, 提出了一种基于匹配度分布的混合高斯车辆检测算法。该算法采用c均值聚类法计算混合高斯模型初始值, 得到初步的背景模型； 匹配度分布的提出充分考虑了背景变化的时间性和空间性的特性； 根据前几帧检测结果得到每个点的匹配度分布, 对当前图片改变背景学习的规则, 去除了干扰, 适应了背景的变化。实验结果表明, 该算法较传统的混合高斯检测方法检测率平均提高16%以上, 使背景也更稳定和准确, 克服了车辆检测的断裂以及光照突变等问题, 提高了车辆区域检测的准确性。     

基于结构相似性粗定位与背景差分细分割的运动目标检测方法

针对抖动相机和静止相机下的运动目标检测问题,本文提出基于结构相似性粗定位与背景差分细分割的运动目标检测方法。首先使用动态模式分解法根据视频序列提取彩色背景图像为粗定位提供基础,提出在小范围内利用相关法对SIFT算子检测到的当前帧图像和彩色背景图像的特征点进行匹配,通过匹配点对的偏移量估计当前帧图像的偏移程度,以达到消除图像抖动的目的;然后利用结构相似性对目标区域粗定位,减少复杂背景的干扰;再对各通道下粗定位彩色背景图像及校正后的当前帧图像背景差分并对其结果进行与操作;最后通过形态学处理得到完整的运动目标。实验结果表明：本文方法不仅有效改善了相机的抖动问题,而且在抖动相机和静止相机两种情况下的检测率有所提高,与GMM等三种算法相比查全率和准确率分别提高1.6%、3.5%和3%以上。     

一种基于小波变换和Canny算子相结合的边缘检测方法

提出了一种利用小波变换手段和Canny检测算子相结合的边缘检测处理方法。在提取图像边缘之前,利用小波变换能够检测局部突变的能力以及多尺度聚焦的功能,充分抑制图像噪声干扰的同时适当调整图像中目标与背景的对比度,最后利用最优阈值下的Canny算子提取图像边缘。此方法可以很好的消除因噪声干扰带来的虚假边缘,强化弱边缘,使之能够更理想的被检测出来。     

一种基于历史背景的混合高斯背景建模算法

针对背景场景重复显现问题,提出了一种基于历史背景的混合高斯模型(History Background-based GMM,HBGMM).相较于传统的混合高斯模型,该模型对历史背景模型进行标记,并通过判决匹配次数快速调整历史背景模型的学习率.同时对模型权重低于阈值下限历史模型和非历史模型进行区别处理,用该方法更新模型权重从而降低误检率,使历史模型尽量避免误删除.实验结果表明,本文提出的基于历史背景的混合高斯背景模型能够实现记忆背景的功能,从而更快地适应场景的变化,减少前景误判.     

基于模糊集的车牌提取方法

利用了车牌的颜色特征与纹理特征,提出一种新的基于模糊集的车牌提取方法.该方法用图像颜色对区域检测、颜色对边缘检测、色度峰值统计及密集小边缘增强,使用模糊集算子综合它们的结果,精确提取出车牌.实验结果表明:对在不同条件下拍摄的图像应用本方法,车牌提取准确率达到98.0%.特别地对光照不均、背景复杂的图像,本方法仍具有很强的鲁棒性.     

基于边缘和水平集的复杂背景金属零件二维条码精确定位方法

针对由于背景复杂、光照不均等因素导致的复杂背景下金属零件上二维条码定位困难问题,提出一种基于边缘及水平集的复杂背景金属零件二维条码精确定位方法.首先,通过直线检测方法定位条码的L边;然后,采用一种改进的水平集图像分割方法对可能的条码区域进行图像分割,利用条码的边缘轮廓特征、灰度及梯度直方图双峰特征进行二维条码区域判断;最后,通过区域Hough变换精确定位二维条码区域.实验结果表明,所提出的方法平均定位准确率可达到95%,且其处理时间小于1s,适用于对大多数复杂背景下金属零件二维条码的定位.     

两种边缘检测方法的比较

明确了子波变换、Ｍａｒｒ－Ｈｉｄｒｅｔｈ滤波器和神经网络侧抑制的相互关系，分析比较了优化法和自适应平滑法两种图像边缘检测方法的特性，就过零点检测给出了具体方案，为清除虚假过零点，设计了二阶导数过零与三阶导数小于零相结合的算法，取得了较好的边缘检测效果。     

一种改进的基于梯度的自适应边缘检测算法

对常见的边缘检测算法进行改进,从梯度的定义出发,提出了一种应用于灰度图像的自适应阈值边缘检测算法.根据边缘处像素灰度值的差异,将模版中的9个像素分两组进行分析,计算出像素的梯度幅度和梯度方向.按梯度值的不同将图像分割成若干个区域,计算每个区域的灰度平均值,确定阈值,实现边缘检测.实验表明,该方法检测出的边缘更细、更准确,可以除去虚假的边缘,是一种有效的对灰度图像进行边缘检测的方法.