基于高斯金字塔的运动目标检测

针对自然环境下运动目标检测背景动态变化问题,提出一种新的基于高斯金字塔模型的背景差分算法.首先将图像序列进行多尺度分解,得到不同分辨率下的当前帧和背景帧;然后,在不同分辨率下采用高低双阈值进行背景差分运算,得到双阈值产生的2帧前景图像,阈值根据环境自动获取;最后,将各层差分图像自顶向下融合检测感兴趣的运动目标,并在HSV空间中去除阴影.背景模型的初始化和更新方法基于2种假设:一是背景点出现的概率较大;二是距离当前帧越近的点越能真实地描述背景.研究结果表明:该算法能有效地应用于动态背景环境下,可以克服光照变化及阴影的影响.多个标准图像序列的测试证明了该算法具有较高的准确性、鲁棒性和自适应性,时间复杂度低,可以运用于实时检测系统中.     

基于混合差分法的运动目标检测

为了提高背景重建速度和目标检测精度,提出了基于混合差分的运动目标检测方法.采用一种基于统计模型的区域像素级背景重建方法.结合帧差分法对于环境的适应性和背景差分法目标检测的准确性.首先用帧差分法得到目标最大的可能区域,在该区域进行像素级背景重建.然后用背景差分精确提取目标区域.既克服了单纯帧差分对于目标运动速度的限制,又缩小了背景差分的区域,使运动目标检测的时间复杂度迅速降低.通过实验,验证了该方法在检测精度和速度上的优势,可以应用于视频监控和目标跟踪领域.     

一种三维点云聚类算法的研究

在重构曲面之前,需要对点云数据进行聚类处理,以保证后续3D重建工作准确、高效地进行。基于采用传统的聚类方法处理立体视觉形成的海量数据所存在的计算与存储瓶颈问题,提出一种新型的聚类算法,即基于包围盒的密度聚类算法。它首先利用包围盒算法对给定的海量点云进行过分聚类,然后对每个过分簇求中心,用中心点代替过分簇,最后在过分簇的级别上进行基于密度的聚类来完成对整体的聚类。结果显示该方法能够有效地实现海量点云的聚类,突破计算瓶颈。它实现了原始点云的大量删减,简化率高达96.75%,并最终在过分簇的级别上将原始点云分为5类。     

基于四目系统的复杂表面高精度密集空间点云获取方法

在敦煌莫高窟文化遗产数字化保护中,针对基于立体视觉的方法对目标进行三维重建时,复杂表面缺乏特征点,难以获取高密度和高精度空间三维点云的问题,提出了一种基于投影和四目立体视觉的方法。首先,采用投影仪向目标投射黑白棋盘格,并检测角点;然后通过软件细分,将棋盘格在横向和纵向分别平移9次,将棋盘格角点数扩展81倍;最后,用基于四目立体视觉系统的匹配策略,短基距系统用来立体匹配,长基距系统用来计算空间坐标,获取均匀、高密度和高精度的三维点云。实验结果表明:与传统的Harris算子相比较,所提方法获取的三维点云数据能更准确地描述目标的三维结构,点数在数量级上有提高。精度方面,所获取三维点云空间坐标的绝对误差小于1 cm,相对误差小于10%。