基于背景差法的视频图像分割

本文运用背景差法来进行视频图像分割。利用一种背景更新的方法来获取背景图像,解决了手动和统计获得背景的方法对背景变化不具有自适应调节作用的缺点。然后将当前帧和背景作差,并对差值图像进行二值化以及形态学处理,使运动目标被很好地分割出来。     

一种基于Surendra背景更新的背景减除运动目标检测方法

针对监控环境下运动物体的检测,提出了基于Surendra背景更新的背景减除的运动目标检测方法.首先对视频图像进行灰度化并去噪,再建立一个可靠的Surendra背景更新模型,由背景消减法得到运动目标图像,最后图像进行二值化并采用形态学滤波和连通区域面积检测进行后处理,以消除噪声和背景扰动带来的影响.试验结果表明本文采用的基于Surendra背景更新算法的背景减除的方法,具有较好的实用性.     

自适应背景更新及运动目标检测算法

从视频中检测运动目标是智能视频监控应用中的一项关键技术.文中提出了一种基于区域的自适应背景更新及运动目标检测算法,首先使用高斯模型建立初始的静态背景图像,通过背景减法得到差值图像;然后使用自适应阈值对差值图像进行二值化,并利用形态学滤波和连通区域面积检测进行后处理,得到运动目标区域掩模;最后,根据运动目标区域掩模检测出运动目标,同时使用基于区域的自适应背景更新算法动态更新背景图像.实验结果表明,该算法能够自适应地对背景模型进行更新,对于背景的扰动、光线的渐变等带来的影响有很好的抑制作用,可以有效地检测出运动目标.     

基于视频监控的运动目标检测

运动目标检测是计算机视觉、视频信息处理等应用领域的重要研究内容。本文采用基于减背景技术的运动目标实时检测:首先利用统计的方法得到背景模型,并实时的对背景更新以适应光线和场景本身的变化,然后用当前帧和背景差分,得到运动目标,利用形态学方法和检测连通域面积消除噪声和背景扰动带来的影响,得到较为准确的运动目标。     

自适应背景建模及运动目标的检测

提出一种能在动态摄像机场景下检测前景物的算法(AGMM).本方法采用角点特征对前后两帧图像进行匹配,估算两帧图像的移动向量,并以此校正高斯混合模型(GMM),并在此基础上进行背景的重建以及前景物的分割.以不同场景的视频序列对本算法和GMM算法进行比较.实验结果表明,提出的算法能够适应动态摄像机场景,以牺牲一点复杂度为代价,大大提高检测精度,并且在摄像机移动比较大的位移时仍然可以得到正确的结果.     

基于关键帧背景更新策略的运动目标检测算法

近年来,视频序列图像中的运动目标检测在智能监控、视频压缩、自动导航、人机交互、虚拟现实等许多领域中的应用越来越广泛.论文提出了一种基于关键帧背景更新策略的运动目标检测算法,该算法采用视频序列中提取的关键帧作为背景,通过关键帧统计平均实现背景更新,结合矩阵像素差分和阈值判定来进行运动目标的检测.通过实验表明,本文提出的方法与典型的背景差检测相比,能够在一定程度上减少噪声的影响,提高运动目标检测的准确度.     

基于静态背景下的视频多目标运动物体的提取

为了对静态背景下的多目标运动物体提取,提出了一种基于差分方法的多运动目标提取,首先获取运动框架,有利于消除噪声,得到时空融合图后,进行形态处理,并运用新的填充算法,该算法可以一次性的快速填充所有的运动物体,节省了时间.实验证明,该方法简单有效.     

基于背景更新的运动车辆检测算法研究

在基于视觉的智能交通系统中,运动车辆的检测是最基础也是最关键的步骤。目前运动车辆检测中最常用的方法是背景差分法。该算法的关键在于背景图像的获取,由于背景图像的动态变化,为了有效的对车辆进行检测,需要对背景进行实时更新。因此,提出了一种新的基于像素点灰度值变化的自适应更新背景的算法,该算法在背景变化的情况下,能实时地修正或更新当前背景图像,再结合差分法与阈值化分割出完整的运动目标。通过实验证明了算法的有效性和实时性。     

基于背景减与帧间差分结合的视频运动目标分割

提出一种视频运动目标分割的改进算法,算法混合使用背景减算法和帧间差分算法,充分利用了两种典型算法的优点,并改进了其缺陷,解决了背景减算法的背景合理更新及帧间差分算法分割不完整问题.实验结果表明:该算法简单,速度快,易于硬件实现.     

背景运动估计与动目标检测

本文介绍了从运动背景中检测多个运动目标的技术,首先利用光流估算法估计背景运动速度,再通过估计值对运动背景进行补偿校正,对经补偿后的差分图像,本文统计其分布规律,设计最佳分割阀值进行图像分割,在滤去噪声之后通过识别连通域检测出多个运动目标。     

基于背景重构的运动目标检测算法

针对背景差分算法中的参考帧提取问题,引入动态时间弯折(DTW)算法,给出了一种新的基于块的背景重构方法。该算法根据相邻两帧图像所对应的背景区域灰度变化不大的特点,利用DTW算法从帧中提取出背景区域所对应的块,再确定出背景帧。仿真结果表明,即使是在图像存在几何畸变和部分像素点缺省的情况下该算法仍能准确地重构背景,实现对运动目标的提取。     

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。     

基于背景差分的运动目标检测方法

针对静止摄像机下的运动目标检测问题,提出了一种基于背景减法的运动目标检测算法.通过对一组连续视频进行处理,从中得到不含运动目标的背景图像.再利用背景差分的方法提取出运动目标.在确定比较阈值的过程中,一改以往通过实验不断调整的做法,提出了动态阈值的概念,从而增强了检测效果,提高了算法的可实施性.融入了高斯模型关于背景更新的算法,克服了由于背景突然改变而造成的误检测.实验结果表明,通过背景差分与高斯模型相结合的方法,在有诸多不确定性因素的序列视频中构建背景有较好的自适应性,能迅速响应实际场景的变化,为准确地检测出运动目标提供了必要的基础.     

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.     

序列图像视频分层技术综述

基于内容的访问和操作的关键是序列图像的动目标图像提取与视频分层技术。本文总结了该项技术的基本研究方向及内容并指出这些方法存在的共同问题。     

自适应背景更新的视频车辆检测

针对视频车辆检测技术会因气象等环境变化，尤其在动态检测大范围、多目标的情况下，检测移动车辆图像的分割和检测的效果存在问题，采用一种用于数字图像处理和计算机视觉的函数库openCV，设计出一种基于背景更新的自适应车辆对象检测法，用于视频检测和统计车流量，比较准确地测量出车辆对象．     

基于帧间差分和背景相减的运动目标检测和提取算法研究

对比分析了常用的图像目标检测算法,根据其各自优缺点,提出了基于帧间差分和背景相减相结合的运动目标检测和提取算法。详细介绍了基于上述算法的运动目标检测的全过程,并准确地检测出了运动目标。通过对实验结果进行分析表明,该算法既避免了背景相减法因背景变动导致的目标提取不准确,又避免了帧间差分法的运动目标不完整,能够有效去除噪声和阴影,具有良好的检测效果。     

一种基于背景减法的运动目标检测算法

针对静止摄像机下的运动目标检测问题,提出了一种基于背景减法的运动目标检测算法.首先利用无拘束学习方式迅速建立多个可靠的RGB颜色背景模型,然后在运动目标分割过程中,及时地根据场景变化对背景模型进行更新,同时利用色度信息及局部交叉熵信息去除阴影,得到较为精确的运动目标.在对用普通USB摄像头获取的视频序列实验中,该算法显示了良好的性能.     

交通信息的背景提取技术分析

为了准确提取交通背景信息,在对交通信息背景特征分析的基础上,对现有的背景提取算法模型进行分析,提出了自适应更新算法的实现流程,设计试验进行对比分析。实验结果表明:信息提取技术的基本理念和方法特点能够满足交通信息数据时效性、多样性、复杂性的处理要求,基于光流场的提取算法在车流视频的应用中提取出的背景图像效果很不稳定,混合Gaussi-an背景提取算法,能提取出比较理想的背景图像,满足使用要求。