改进的HIS阴影去除算法研究及实现

在智能交通视频监控系统中,户外环境下目标物体阴影的存在会导致许多问题。为此,本文提出了一种基于颜色特征的车影去除改进方法,通过比较阴影存在前后的场景点在HSI空间中亮度畸变和色度、饱和度畸变的夹角的分布规律,达到检测和去除车辆阴影的目的并通过DSP系统实现。仿真结果表明本算法速度快,可信度高,明显降低了阴影对交通监控中目标检测的影响,并提高了算法的通用性。     

一种运动车辆阴影去除的新算法

文章提出一种改进运动车辆阴影去除新算法,首先通过帧差获得车辆和阴影的轮廓图像,然后对轮廓点应用离散K-L变换解除R、G、B分量的相关性,并运用颜色聚类检测出阴影区域,最后用帧差法产生的运动车辆图像与获得的阴影图像差分得到去除阴影的运动车辆,实验表明该方法能够更好地实现运动车辆阴影的去除。     

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。     

边缘特征与局部纹理特性融合的阴影消除算法

针对视频分割中的阴影消除问题,提出了一种以置信度为桥梁,前景边缘投影特征与局部纹理特性相融合的阴影提取算法.采用自适应高斯法获得动态背景,提取包含阴影的前景,计算出当前帧和背景帧在前景最小外接矩形坐标范围内的边缘差异,得到低干扰的车辆和阴影边缘信息.利用大津阈值算法进行投影分割,在阴影连续性前提下,高置信度区域确认为阴影,低置信度区域确认为车辆,而一般置信度区域,进一步结合局部纹理在当前帧和背景帧间的跳变程度,搜索出与车辆相连的阴影.结果表明:该方法能够去除导致前景严重变形的大面积阴影,去除有效率在90%以上,保障了车辆的有效提取;算法实时性好,可应用于智能视频监控的目标检测及跟踪中.     

带种子补偿的时空背景差分高速公路车辆检测算法研究

提出一种带种子补偿的时空背景差分高速公路车辆检测算法.由于高速公路场景的特殊性,首先基于混合高斯模型的背景差分、相邻帧差法以及邻域背景差分法的结合消除光照变化、场景扰动对检测结果的影响;然后通过基于HSV颜色空间的阴影消除判断并消除被误检为车辆的阴影;最后通过跟踪种子补偿去除差分方法造成的空洞.实验验证,论文提出的方法能有效去除光照变化、阴影等环境因素的影响,提高车辆检测的准确度和识别率.     

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。     

基于超像素和支持向量机的车辆阴影检测算法

为解决车辆阴影检测中易将车辆阴影相似的车辆区域误检测为车辆阴影的问题,提出了一种基于超像素和支持向量机的车辆阴影检测算法.首先,利用简单线性迭代聚类法将图像分割为若干超像素;然后,以超像素为基本检测单位,根据HSV空间中的一组判别条件对车辆阴影进行初步检测;在此基础上,利用支持向量机识别并去除被误检测为车辆阴影的车辆区域,进而得到最终的车辆阴影.实验结果表明,所提算法能够较好地区分车辆阴影及与车辆阴影相似的车辆区域,提高车辆阴影的检测率和分类率.     

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.     

基于双特征的前方车辆实时检测

提出一种在无先验知识的情况下,综合利用车辆阴影和对称性两种特征进行前方车辆检测的算法.该算法通过检测车底阴影特征生成车辆存在假设,首先,利用大津阈值分割方法(OTSU)得到车辆阴影特征,采用阴影区域融合方法解决阴影边缘的变形问题,得到可能包含车辆的区域;然后,利用车辆对称性特征对感兴趣区域进行验证,并对其中的车辆区域进行准确定位.通过对实际采集的道路图像序列进行测试,结果表明:该算法能够实时、有效地检测出前方车辆.     

基于多信息融合的车辆阴影检测与车辆跟踪算法

为了准确检测车辆,提出一种基于颜色、纹理、光照模型相结合的阴影检测算法。根据颜色恒常性完成阴影的初步检测,利用局部二值模式(LBP)纹理不变性和基于光照模型的亮度比值置信区间去除误检阴影像素,最后用区域生长完成阴影边缘像素的恢复,保证车辆阴影检测的准确与完整性。为了保证不同智能监控场景下车辆追踪的准确度和稳定度,提出一种特征与概率相结合的改进的Camshift跟踪算法。研究结果表明:所提出的阴影检测算法与改进的Camshift算法可以提升车辆检测与跟踪的准确性与稳定性。