基于时空融合的交通场景中运动行人检测算法

将视频监控技术应用于交通信息获取与处理,解决行人安全问题,已成为智能交通系统中的一项关键技术。为精准地提取交通场景语义信息,提出了融合时域和空域信息的行人检测算法。通过相邻多帧时域变化和Canny边缘检测算法得到初始检测掩模图像,解决差值局部化和噪声问题;提取空域信息时,引入二次重构和内外标记技术对梯度图像进行修正和分水岭变换,得到空域掩模图像,有效地提高空域分割精度,消除过分割现象;最后将两者结果进行融合和形态学修正,提取出交通场景图像中的运动行人。以北京南站为例进行实验分析,结果表明,该方法能快速准确地检测到较完整的目标信息,在动态场景的行人检测取得了较好的效果。     

基于特征光流的多运动目标检测跟踪算法与评价

光流车辆检测算法其光流不仅携带了运动物体的运动信息,还包含丰富的三维结构信息,能够在未知场景信息的情况下对运动目标进行准确检测;但传统光流法计算方法复杂、抗噪性能差、处理速度缓慢,无法满足多目标实时检测的实际需求。为提高光流法实时检测效率,同时保持较好的检测精度,提出了一种基于Harris特征点光流及卡尔曼滤波模型的多运动目标跟踪算法;并提出新的视频目标检测算法性能评价指标。通过对不同实验场景下多个运动目标的检测与跟踪实验统计结果表明,对比主流Meanshift车辆跟踪算法,检测精度平均提高4.61%;且跟踪持续性提升41.5%,具有更好的鲁棒性及准确性。在时间效率上较比传统光流法平均提升42.9%,能够更好地满足目标跟踪实时性要求。     

一种基于帧间差分与背景差分的运动目标检测新方法

针对背景差分算法中在复杂背景下参考帧的提取问题,提出了一种新的运动目标检测方法.该方法基于帧间差分法检测出帧中的背景像素点后,再确立每个点的高斯模型,最后运用背景差分准确检测出场景中的运动目标.由于该方法提取的背景干净,故能有效克服以往检测算法存在的误检和空洞问题.试验结果表明,该方法快速、有效,能够满足运动目标的实时检测要求.     

基于三帧差分法与质心匹配的行人自动计数算法

为了实现对视频序列中人流量进行实时、准确的检测与跟踪,提出了一种基于三帧差分法的行人质心匹配的行人检测与跟踪算法.采用改进的三帧差分法实现对运动目标信息的检测,然后根据运动目标的信息进行行人面积与质心的计算,并根据质心最近距离匹配、运动方向一致性、越界检测的原则对行人进行跟踪.实验结果表明,该算法在不降低检测效果的情况下明显提高了行人检测与追踪的效率.     

基于混合高斯和HOG+SVM的行人检测模型

为了提高行人检测系统的检测率,提出了一种基于混合高斯背景建模结合方向梯度直方图(histogram of oriented gradient,HOG)+支持向量机(support vector machine,SVM)的行人检测模型.首先,采用混合高斯模型进行前景分割,有效提取出运动目标区域;然后,在行人识别部分通过缩小检测窗口尺寸来降低HOG特征维数;另外,利用误识别区域,对样本库的信息进行二次更新,以优化SVM分类器;最后,以随机视频帧为测试样本进行模型性能验证.结果表明,在保证检测率和检测速率的情况下,该混合高斯结合HOG+SVM模型的误检率仅为4%,说明该模型能够在复杂场景下实时准确地进行行人检测.     

视频帧内运动目标复制-粘贴篡改检测算法

摘要： 提出了一种基于Lucas_Kanade(LK)光流及运动目标预检机制的视频帧内运动目标复制 粘贴篡改检测算法.该算法分为运动目标检测与跟踪、运动序列筛选和空间域匹配3个阶段.运动目标检测与跟踪利用背景建模算法和卡尔曼滤波器进行检测和跟踪;运动序列的筛选采用LK方法得到各运动序列的光流值,并计算其相关性来选择可能存在篡改的视频帧序列;空间域匹配利用尺度不变特征变换算法对上一阶段得到的对应运动序列逐帧进行匹配,过滤正常的视频序列.实验结果表明,本文算法能有效检测同源视频中针对运动目标的多帧复制 粘贴篡改.     

基于光流重构和深度姿态特征的行人跌倒检测方法

随着我国老龄化人群数量的增长,老年人实时行为轨迹的跟踪检测成为当前智慧社区研究的热点。本文针对现有行人跌倒检测算法在面临电动车流和行人影子的干扰而导致识别准确率不高的问题,提出了一种基于优化yolov5的路边行人跌倒检测方法。首先基于视频抽帧的方式将原始数据输入到yolov5网络进行监控行人视频数据的预处理,实现行人背景重构;然后提取光流和anchor框作为其运动特征;最后对此特征进行判定,进行信息融合的跌倒检测网络进行跌倒特征识别,并在不同帧序列和不同背景下进行对比试验。本文所提出的方法在行人跌倒数据集Multiple cameras fall和Le2i上进行了实验,结果表明本文的算法在基于电动车流和行人影子干扰场景下较传统方法在准确率和召回率上分别提升了9%和10%。     

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.     

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.     

基于多分辨率光流和多尺度角点的运动车辆跟踪

针对稀疏光流LK(Lucas-Kanade)算法不能稳定跟踪快速移动目标的局限性,提出了基于小波金字塔的多分辨率光流跟踪算法.算法基于多分辨率思想对原始稀疏光流进行了改进,从而实现了准确跟踪快速移动目标.在特征提取方面,提出了多尺度Harris角点检测方法,较好地解决了传统Harris方法的漏检和角点分布不均匀的缺陷,适合复杂交通场景中运动车辆特征提取.实验表明,当运动车辆旋转、移动以及摄像机变焦时,角点始终稳定可靠,并且跟踪算法能够快速、准确地匹配特征角点,实现了复杂交通场景下对运动车辆目标的实时稳定跟踪.     

基于改进Boosting算法的夜间运动车辆检测

针对夜间交通场景中运动车辆目标提取及实时检测困难的问题,引入改进的Boosting模糊分类算法,提出了一种新的基于车头灯的夜间运动车辆检测方法.通过SIFT算法和融合多特征的方法精确提取夜间运动车辆车头灯特征,利用遗传算法优化Boosting模糊分类算法,并以加权投票方式对提取的车头灯特征进行分类判别,最后结合车头灯空间、运动信息及灯光颜色信息进行同车车头灯配对分组,实现夜间运动车辆的实时检测.实验表明,该方法在夜间交通环境中具有良好的实时检测效果和较高鲁棒性.     

一种快速运动目标检测算法

运动目标检测是智能视觉监控系统的重要组成部分,其主要功能是检测监控场景中的运动目标,为高层运动分析提供必要的信息。文章提出一种快速运动目标检测算法,以帧差法和背景减法为基础,快速实现背景提取、背景更新、运动目标检测的功能。实验结果表明,该算法计算量小,检测目标完整,能够满足实时监控系统的要求。     

移动机器人行人目标活动区域快速检测算法

针对移动机器人运动目标检测过程中运动目标与背景均存在位移致使跟踪失效的问题,提出一种显著光流分析法对室内行人目标活动区域进行检测与标识,能够快速有效地为移动机器人视觉检测与跟踪算法提供简便的初始区域定位信息。经仿真实验分析,该算法能够在室内复杂的情况下,快速检测出行人目标的活动区域,方便人物识别与躲避,具有较强的工程应用价值。     

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.     

基于ARM的运动人体检测算法的研究

针对ARM平台资源有限的特点,提出一种适用于该平台的运动人体检测算法.该算法采用三帧差分法对图像序列中的运动目标进行检测,通过统计像素块的方法对阈值分割和形态学处理后的运动目标进行提取,并采用贝叶斯分类器对提取的运动目标进行分类.实验结果表明,该算法能在资源有限的嵌入式系统中实时有效地检测出静态监控场景中的运动人体,且对正常的光线变化具有一定的鲁棒性.     

基于OpenCV的三级跳远体育视频分析研究

基于开源计算机视觉类库OpenCV,采用光流法、自适应角度调整、模块化拼接及角点检测等方法实现三级跳远体育视频中运动背景及前景合成、运动员关键技术指标定量分析。文章首先结合三级跳远视频特点,采用光流法将视频中呈现的局部运动信息和全局背景信息分析、提取;其次利用Hough变换、仿射变换、区域填充法对光流法提取的背景特征进行模块化合成;然后依据视频序列中呈现的时间和空间属性,将三级跳远运动视频中展现的背景、前景合成为全局场景图;最后,对运动员的三级跳关键技术指标进行定量分析。实验表明,该算法能够实现三级跳远运动场景合成,通过对运动员关键运动指标进行定量分析,为其他竞技类视频分析提供借鉴,对指导现实训练具有一定意义。     

基于积分通道特征的异常行为检测算法

对视频中的行人异常行为检测问题进行了研究。针对传统行人异常行为检测算法在准确性和兼容性方面的不足,提出一种基于积分通道特征的异常行为检测算法;该算法利用背景分割和行人信息统计的方式,对不同背景下的视频模型进行了建模。结合对行人个体的轨迹分析,对运动个体的位置进行异常行为检测。算法首先对检测区域采取区域划分,然后采用改进的积分通道特征行人检测算法对目标进行检测,最后采取Mean-shift算法对目标进行跟踪。最后的实验数据表明该算法整体性能有所提高。     

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。     

基于改进ViBe的多行人检测方法

利用改进的Vi Be算法及模板匹配方法对多行人场景进行了目标检测.为了提高运动目标检测性能,提出将原Vi Be算法与帧间差分相结合的方法,该方法使二值图像中的鬼影比原Vi Be算法消除更为迅速.根据待处理像素点周围已完成的前背景分离结果,利用动态计算模型参数估计前背景,以提高前景目标提取的准确度.基于HOG算法识别运动目标中的行人目标.实验结果表明,该方法在没有降低运动物体检测实时性的同时,明显提高了算法检测的准确度.     

LK光流法和三帧差分法的运动目标检测算法

三帧差分法是目前较为常见的运动目标检测算法之一。它的执行速度较快,但是它会存在各种干扰以及易受到环境噪声的影响,而且容易在检测到的运动目标内部产生较大的空洞,以致影响到最后的检测效果。针对这些问题,将Lucas-Kanade光流法与三帧差分法进行结合。利用Lucas-Kanade光流法计算得到运动目标的大致矩形区域。在确定的区域内外通过选取不同的阈值利用三帧差分算法提取运动目标,构成一种分级阈值的三帧差分法。并且利用前面光流法计算得到的角点来完善目标轮廓。这样将传统三帧差分算法的阈值分割转换成阈值分割与区域分割相结合的模式。试验结果表明,该改进算法具有良好的抗噪性,能够得到比原算法更好的检测效果。