基于Kalman滤波和阴影消除的运动目标检测

研究基于Kalman理论的时域递归低通滤波、Ostu(最大类间差)阈值选取及形态学阴影消除在运动目标检测中的应用,并将它应用于实际的交通监控视频,实现对运动目标的自动检测.首先采用Kalman滤波实现背景的提取,然后把当前帧与提取的背景做差分运算,之后采用Ostu算法计算出阈值实时检测运动目标,最后采用基于边缘信息阴影检测方法消除阴影.实验以实际的交通监控视频为研究对象,依据运动图像序列与交通场景的特点,兼顾处理效果与实效性.实验结果表明,该方法应用于实时运动目标检测中具有有效性.     

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。     

基于背景重建的序列图像车辆目标检测方法

针对静态摄像条件下视频序列图像,提出一种基于背景重建的序列图像车辆目标检测方法.该法先选取一帧图像存入背景缓冲区,然后根据当前帧图像与前一帧图像、背景图像的差分信息对背景缓冲区的背景进行更新.通过运动区域检测、噪声去除、连通单元标记、目标提取、阴影检测等处理,能获取完整的车辆目标区域.实验结果表明,该方法快速、准确,具有较好的实用价值.     

道路交通视频检测系统初探

提出一种实时自适应的道路交通视频检测方法,提高了视频监测系统在长时间运行条件下对光线变化、阴影和系统噪声的适应性.利用图像边缘检测和模式识别2种方法对前景目标车辆进行提取的算法,保证了准确率和效率.实时交通视频实验结果表明,该方法取得了较好的成果,为道路交通信息系统提供保障.     

基于梯度方向恒定性的运动车辆阴影检测

交通参数的视频检测是智能交通系统的一个研究重点,其中运动车辆的分割是视频检测过程中的一个关键环节。目前,运动车辆阴影的检测与剔除是准确、有效的分割出运动车辆所面临的一个难题。本文发现并证明了梯度方向恒定性原理,在此基础上提出了一种基于梯度方向恒定性的阴影检测与剔除方法。首先建立路面背景梯度矢量图,根据与当前帧图像的梯度矢量图的比较结果,判断是否是路面背景或是运动车辆,然后对运动车辆区域进行形态滤波,弥补内部空洞和剔除杂点,进而准确分割出车辆。试验结果表明,该方法适应性强,车辆分割效果好。     

基于视频序列中的运动目标检测技术

视频图像中的运动目标检测是当前进行图像分析和理解以及计算机视觉领域的重要研究内容,为了能够在数字视频系统中实时的检测出运动目标,提出了一种基于序列图像的运动目标实时检测和定位的适用方法.采用连续帧间差分法和最大类间方差阈值分割法提取运动区域,通过数学形态滤波的开运算和闭运算消除噪声,改善运动区域提取效果,然后求出目标重心.结果表明,该方法能够快速有效地检测出视频图像中的运动目标,计算出目标在图像中的位置.     

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.     

自适应背景下的运动目标检测

智能视频监视就是实时地观测被监视场景的运动目标,如人或车辆等,并且分析描述其行为.在数字视频监控系统中,从视频流里捕获出序列图像并进行实时运动检测是一项重要的功能.采用基于自适应背景相减法的运动目标检测,并结合数学形态学的方法来进行特征提取.该方法由于增强了边缘检测技术,所以有效地提高了检测水平.     

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.     

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HSI运动车辆阴影消除的快速算法

针对视频序列图像提出一种运动阴影快速消除的算法,首先利用背景差分获取前景,再根据投射阴影HSI彩色空间的特征,分割运动车辆和运动车辆阴影。实验结果表明该方法能快速准确分割,具有良好性能。     

基于互相关系数和交叉投影的车辆阴影消除

在交通视频监控系统中,运动车辆存在的阴影严重影响了系统的检测效果,而单一的阴影消除算法不能有效地消除阴影。为解决该问题,提出了一种分两步完成的运动车辆阴影消除方法。该方法首先利用阴影和背景亮度之间的互相关系数进行初步阴影消除,然后根据车辆近似为矩形区域的特点采用垂直-水平交叉投影的方法确定车辆/阴影间的分割线。实验结果表明该方法能有效地消除车辆阴影。     

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.     

一种新的交通流视频检测方法

提出一种基于彩色虚拟检测线的交通流信息视频检测方法．该方法通过分析光照、车道和阴影等模型之间的相互关系来判断车辆的存在，提高车流量检测的性能．通过引入色彩饱和度信息、自适应背景更新和运动检测，有效地区分阴影和车辆；通过二叉决策树来分析车辆的压线过程，提高了车流量检测的可靠性；通过一维视频跟踪的方式，解决了车辆速度检测的难题．试验结果表明，所采用的局部区域检测方法大大提高了交通流信息检测的实时性，且车流量检测的准确率可提高到98％．     

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.      

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。     

基于彩色边缘的运动车辆检测

在RGB空间中对彩色交通视频图像进行多通道边缘检测,利用融合的边缘信息进行多帧迭加建立自适应背景模型,通过背景模型抽取运动车辆.受车速,车流量,噪声等影响,得到的是不完整的目标边缘,依靠边缘生长对目标进行修补,以提高运动车辆检测的准确性,保证边缘的连续性.实验结果表明,该方法计算量小,能够满足实时系统的要求,可有效地检测运动车辆.