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.      

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.     

一种改进的运动目标检测算法

针对目标检测过程中的背景变化、光照变化、阴影对检测的影响,提出了一种改进的运动目标检测算法。首先利用改进的统计方法建立了目标的背景模型,并实时地对背景模型进行更新,最后将检测出的目标采用融合HSV颜色信息和纹理特征的混合高斯阴影模型方法来去除阴影。实验结果证明,该算法在场景中有目标运动的情况下。能够准确地建立背景模型,并能去除阴影影响,提高系统的检测准确性。     

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。     

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.     

视频序列中运动目标影子去除方法

针对固定场景的运动目标检测问题,本文提出了一种具有实际应用价值的阴影去除方法。该方法通过背景差分方法分割出运动目标及其可能存在的阴影,采用8邻域灰度聚类算法检测出阴影。最后,去除阴影并分割运动目标。实验验证了该方法的有效性。     

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.     

视频运动目标提取的实现

针对混合高斯模型建模实现背景差分获取的运动目标中含有较多的阴影这一问题,对基于Phong光照模型的判断和检测阴影的准则作了改进,并给出了视频运动目标检测算法.使用基于混合高斯模型的背景差分法和对称差分法相结合获取运动目标,使用改进的阴影判断准则检测和去除阴影.结果表明:改进后的阴影判断准则去除阴影所用时间比原方法平均减少了18%~30%,并且能够取得较好的去除阴影效果,最终获得精确的运动目标.     

基于光照不变性模型的阴影去除方法

提出了一种新的基于光照不变性模型的阴影消除方法。首先对二维光照不变性图像恢复阴影,再利用基于互信息的图像融合去除运动目标的投影,最后通过图像镜像消除边界条件的制约,改善阴影去除效果。实验结果表明,该方法能够有效地消除运动目标的阴影。     

室外场景下目标分割和目标识别算法

视频监控应用场听可分为室内和室外．室外环境受到诸如光照、下雨、落叶等因素的影响,整个场景变化复杂,给视频处理带来许多困难．文中介绍一种室外场景下目标分割和目标识别的方法,使用基于像素颜色特征的混合概率模型,将当前图像中与模型匹配的像素视为背景,然后更新模型中各个参数．为了去除目标区域的阴影部分,引人一种基于阀值和区域特征的阴影消除算法．同时,采用基于支持向量机的分类方法,识别场景中新出现的目标．     

一种光照不变性模型下的阴影去除方法

提出了一种新的基于光照不变性模型的阴影消除方法。首先对二维光照不变性图像恢复阴影,再利用基于互信息的图像融合去除运动目标的投影,最后通过图像镜像消除边界条件的制约,改善阴影去除效果。实验结果表明,该方法能够有效地消除运动目标的阴影。     

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.     

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。     

HSV彩色空间的室内外运动人检测与阴影消除

提出一种用于运动目标的分割,基于最大统计概率的自适应背景模型,采用简单的背景重建方法,用于维护背景以适应场景的动态变化.利用阴影区域亮度和色调的特点,在HSV(Hue Sataration Value)空间消除运动阴影,使得运动目标的分割更为准确.为了客观的评价所提出的阴影检测算法的性能,引入一种量化的方法,对不同光照和环境条件视频的实验结果及量化分析表明,方法是有效的.     

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.     

基于知识和外观方法相结合的后方车辆检测

单独应用基于知识的方法或者单独应用基于外观方法检测是否存在车辆有一定的局限性,因此提出将二者结合起来用于静态图像后方车辆的检测.首先,利用分割算法获得感兴趣的区域(region of interest,ROI),利用基于知识(如车底阴影、颜色等信息)的方法,将被确认为是非车辆(背景)的ROI过滤掉,然后再对过滤后的结果应用基于外观的方法进行车辆检测.在不同的道路(高速公路、城市普通道路和城市窄道)条件以及白天不同光照条件下对车辆进行检测,结果表明,该算法的识别可靠性更高,适应性更好.     

基于复模糊逻辑系统的运动目标检测方法

为了提高复杂场景下背景建模的准确率、抗干扰能力、效率,提出了基于复模糊逻辑系统的运动目标检测方法.使用复TSK模糊逻辑系统作为背景模型的估计,并结合粒子群优化算法和核最小均方算法来学习该复模糊逻辑系统;将前景像素看作背景像素的例外像素,提出了去除前景像素的方法,然后再去学习复模糊逻辑系统;最后根据估计的背景模型和前景图像的比较判断出前景像素.为了验证文中方法,选择了校园、高速公路和河边3个场景下的视频序列进行了测试,并与其他3个经典的方法进行对比.结果表明:文中方法在光照变化、摄像机晃动、变化背景等情况下都有较高的检测结果,其相近性测量值比其他3个方法高出0.1,且检测速度为22 f·s-1,也能满足实时性要求.     

室内场景中适应光照变化的运动目标检测算法

为了进一步提高室内检测跟踪系统的有效性和稳定性,以经典的混合高斯模型为基础,结合了积分直方图方法,提出了一种室内场景中适应光照变化的运动目标检测算法。该方法通过当前帧和背景帧的全局积分直方图差分来确定光线变化的程度。对于全局的光线突变,进行模型的全局更新。对于局部的光线变化,用光线变化比例作为高斯模型权值更新率因子,实时控制更新速率。再对高斯模型提取的前景,用区域局部积分直方图进行虚假前景的判断和消除,从而进一步提纯真实前景。仿真实验结果表明:算法较好地消除了场景中光照变化对目标检测的影响。     

基于改进的混合高斯模型的运动目标检测方法

针对传统高斯模型学习速度慢问题,提出了一种基于新的背景模型更新模式的目标检测方法.首先,对彩色图像建立混合高斯模型,并且采用新方法更新背景模型,即不同的阶段使用不同的更新方程,然后由背景差分得到基本准确的前景图像,其次利用基于颜色差、亮度差和梯度差的阴影检测算法削除前景图像的运动阴影,最后利用形态学滤波、连通组件分析和种子区域增长进行后处理.实验结果表明,该方法不管在室内还是在室外都能很好地消除阴影,准确地提取运动目标.