单幅室外自然场景中的阴影检测与消除

为了改进Retinex算法在阴影消除中的不足,该文提出了一种基于高斯分布与Retinex模型的阴影检测与消除算法,通过灰度分布将图像分割为阴影区域、半影区域和正常光照区域,采用Retinex算法分别对阴影区域和正常光照区域提取光照,并消除光照影响,然后对半影区域进行双线性插值,得到消除阴影后的图像.该算法对大面积阴影的检测与消除具有很好的效果,同时避免了Retinex算法在灰度变化剧烈区域产生的模糊问题,实验证实了该算法的有效性.     

基于纹理和小波变换的阴影检测去除算法

在基于视频处理的室外场景运动物体检测系统中,对运动物体的阴影进行检测与去除是一个关键环节。文中提出了一种基于纹理自相关和整数小波变换相结合的运动物体阴影检测与去除算法,算法中首先使用纹理自相关对运动物体的阴影进行预提取,再对阴影预提取结果进行统计判别,对判别为阴影误检的区域再进行基于整数小波变换的阴影再检测,最后将两次检测结果相结合实现对运动物体阴影的检测与去除。实验结果表明：文中的方法不仅能够准确地检测出与背景灰度差别比较大的运动物体的阴影,而且能够较好地检测出与背景灰度相近的运动物体的阴影,较好地克服了使用单一方法进行阴影检测与去除时常见的阴影误检问题,获得了很好的阴影检测与去除效果。     

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.     

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.     

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.     

交通监控系统中基于多源信息融合的运动阴影检测

针对目前运动提取算法常将运动阴影错误检测为前景目标的问题，提出了一种交通监控系统中基于多源信息融合的运动阴影检测算法．在颜色空间中利用亮度、色度和边缘信息检测阴影的可能区域，使用逻辑“与”操作融合多源检测结果得到最终的阴影区域．与其他算法相比，新算法能更好地区分前景尤其是暗色前景及其阴影，提高了阴影区域的检测精度，更准确地实现了运动目标的提取．仿真实验表明，对不同颜色和尺寸的前景引起的阴影，算法都能鲁棒地分离目标及其阴影区域，前景提取效果好．     

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.     

一种基于主成分分析算法的车辆阴影消除算法

针对车辆检测中的阴影问题,提出了一种基于主成分分析算法(principal component analysis,PCA)的交通视频车辆阴影消除算法。该算法通过引入PCA算法确定阴影区域的方位,将算法的计算复杂度降低了3/4,提高了检测效率。基于亮度与纹理的分布特征,提出了一种IT(inverse transformation)模型将阴影区域转化为与其相应背景相似的分布以弱化阴影,从而使阴影像素在背景差法中被检测为背景像素与运动车辆分离。实验表明,本文算法阴影检测与分辨率高,阴影消除效果好,显著提高了检测的准确性。     

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。     

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.     

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     

基于Gabor小波和颜色模型的阴影检测算法

在视频处理中,阴影的存在会严重影响对目标的跟踪和识别.为了有效地检测视频序列中的阴影,文中提出了一种基于Gabor小波和颜色模型的阴影检测算法.首先,建立背景的混合高斯分布模型和阴影颜色模型,通过差分法提取前景区域并结合Gabor小波纹理特征分析找出潜在的阴影点;然后通过阴影颜色模型对这些潜在的阴影点进行颜色分析;最后通过后续处理,找出真正的阴影区域.实验结果表明,文中算法具有较好的阴影检测效果.     

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DSP的车辆检测系统的设计

设计了一种基于DM642的嵌入式车辆检测系统.系统主要由CCD摄像头、TMS320DM642开发板和PC组成.对输入图像采用帧间差分法检测出运动区域,然后对运动区域进行Otsu阈值化、边缘检测及形态学滤波,准确提取运动车辆,利用交通参数提取算法计算车速和车流量.实验结果表明：该系统能实时提取道路交通信息,具有一定的实用性和推广价值.     

前方车辆检测的特征融合算法研究与实现

为了解决前方车辆检测的鲁棒性和实时性问题,提出了一种基于车辆形态特征和类HAAR特征融合的前方车辆检测优化算法.为了克服车底阴影提取易受外部环境因素影响的缺陷,采用猴王遗传算法(monkey king genetic algorithm,MKGA)进行阈值分割,提取车底阴影部分;然后通过车辆形态特征一次筛选得到感兴趣区域,并对感兴趣区域的类HAAR特征进行提取和降维,输入支持向量机(support vector machine,SVM)训练好的汽车分类器进行二次筛选.随机抽取视频的300帧进行算法验证,实验结果表明:算法在复杂环境下能够实现车辆检测,并且相比于单一特征的检测方法,准确率由80%提高至90%;利用类HAAR特征积分图和主成分分析(principal component analysis,PCA)降维能够有效地提高检测速度.算法满足驾驶辅助系统准确性和实时性的要求.     

一种基于Gabor小波和颜色参数模型的阴影检测算法

本文提出了一种基于Gabor小波纹理特征分析和阴影参数模型颜色分析的阴影检测算法.首先,建立背景的混合高斯分布模型,通过对特定帧的颜色分析建立阴影参数模型.对图像序列中的每一帧,首先通过差分法提取出前景区域,然后通过Gabor小波滤波的方法,对背景和前景图中的相同小区域进行纹理特征分析,比较特征向量的距离,以判断潜在的阴影点.然后,通过阴影参数模型对这些潜在的阴影点进行颜色分析,并通过连通区域标记,形态学运算,FPR(去除假阴影)分析等方法,找出真正的阴影区域.实验结果表明,本算法具有较高的阴影检测率和物体检测率,可以满足实时检测的需要.     

序列图像中运动区域的检测与几何特征提取

提出了一种基于色度的运动区域检测算法,利用像素的色度分量进行检测,克服了亮度变化和阴影的影响,并利用形态学方法对检测结果进行后处理,对处理后的运动区域进行标记,提取每个区域的面积、周长、形状因子等几何特征参数,为运动目标后期的分析和跟踪奠定了基础.最后给出了实验结果和数据,证明了算法的有效性.     

基于边缘检测及灰度跳变的车牌定位算法研究

为了能在复杂背景及不同光照条件下准确地定位出车牌,提出了一种基于边缘检测和灰度跳变的车牌定位算法．该算法首先对获取的图像进行灰度化、图像二值化等预处理操作,提高图像质量,突出车牌信息,接着对车牌图像进行边缘检测,在此基础上采用水平方向和垂直方向上的灰度跳变统计来确定车牌区域的上下边界和左右边界,从而实现车牌定位。实验结果表明,该方法可以比较准确、快速地实现车牌区域的定位．     

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。     

基于阴影特征和Adaboost的前向车辆检测系统

为了解决汽车安全辅助驾驶系统中的前向车辆检测问题,提出了一种基于单目视觉的在线前向车辆检测系统。通过检测车底阴影特征来生成车辆假设,分别提出了自适应路面阈值方法和阴影区域融合方法以解决路面区域灰度变化和阴影边缘变形问题;使用基于梯度特征的adaboost方法来验证车辆假设;最后使用Kalman滤波对检测到的目标进行跟踪以改善系统性能。使用道路实拍的图像序列对系统进行了测试。结果表明,该系统能够在实时条件下有效检测前方车辆。