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.     

基于三帧差分混合高斯背景模型运动目标检测

针对混合高斯背景模型运动目标检测的光照突变误检以及突然运动目标的“鬼影”问题,提出了一种基于三帧差分的混合高斯背景模型运动目标检测算法。通过图像前景检测比例判断光照是否发生突变,利用三帧差分法对图像的背景区域、运动区域和背景显露区域进行划分,并根据光照情况及时改变各区域的学习率以调节混合高斯模型背景迅速更新,设计了基于三帧差分的学习率自适应混合高斯模型背景更新的方法。该方法使光照突变及目标突然运动后产生的新的背景模型得到迅速更新,从而改善这两种情况下运动目标检测效果。实验结果表明,该算法避免了光照突变时的大面积误检现象,并且同时解决了突然运动目标的“鬼影”问题。     

基于自适应背景模型的全方位视觉人体运动检测

设计了一种新的全方位视觉系统,用来在室内对多个人体目标进行实时运动检测。系统中使用全方位摄像机作为图像采集设备,能在一幅图像中获取水平方向360°的环境信息。在检测开始之前,首先由摄像机对无人环境持续观测一段时间,建立背景的统计模型;在检测开始之后,将每一时刻全方位摄像机采集到的图像变换成柱状全景图像,再利用背景的统计模型,通过自适应的动态背景减除算法得到前景区域,同时在线更新背景模型。最后进行区域分割,确定人体的位置。试验结果表明,该系统在复杂背景的室内环境下,有较好的实时性和检测效果。     

基于帧间差分的ViBe运动目标检测

针对光线变化时现有前景检测方法易将背景检测为运动目标、形成大片阴影的问题,本文利用帧差法对光线变化的不敏感性,对基于ViBe的背景建模、前景检测算法进行改进。结合帧间差分的ViBe前景检测方法包括背景初始化、背景模型更新及后期图像处理三个模块。该方法在更新背景模型时,加入了帧间差分判别多阈值比较,并依据帧间差分的结果对背景更新率进行动态调整,最后对背景建模后的检测结果进行形态学处理,针对大的噪点进行轮廓提取及判定,最终检测出运动目标。针对不同条件下监控视频的试验结果表明,本文方法初始化速度快、实时性好,有效地抑制了由于光线干扰形成的大片鬼影区域。     

用于步态识别的行人轮廓提取

采用针对静态背景下的基于Surendra背景更新算法的背景减除法对运动人体进行检测.为视频场景建立自适应的背景模型,通过原始图像和背景模型差分获得前景图像,再对检测出来的图像进行了二值化、数学形态学分析、连通分析、尺度归一等一系列图像预处理工作,为跟踪与识别奠定了基础.重点讨论了二值化自适应阈值选择的多种方法,总结出Kapur熵阈值选取法的优越性.     

改进型自适应差分算法

本文就在复杂背景下的运动目标检测,对传统的帧间差分法和背景帧差法进行改进,对Canny算子检测边缘检测运动目标和增加计数器来对背景模型实时更新的基本算法进行改进,对他们的缺点进行改进,同时引入了中值法提取的背景作为初始背景,大津法进行目标分割,再结合集合关系。将得到的两种二值化图像进行与运算,最后利用图像形态学滤波得到准确的运动目标。     

一种新的背景模型建立及更新方法

提出一种新的建立背景模型和更新背景的方法．首先采用一种新颖的类Hausdorff距离建模方法建立初始背景，然后对每一输入帧使用背景差分法获得前景，并利用高效分类器创造性地将前景分类为运动目标、静止目标、虚假目标、噪声，最后在背景更新阶段使用基于前景目标的背景更新方法．实验结果表明，本方法能建立可靠初始背景，并能有效地解决背景更新“死锁”问题，增强背景模型的鲁棒性．     

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.     

基于改进的区域背景实时更新的目标检测

针对静止摄像机条件下运动目标的检测问题,提出了基于改进的区域背景实时更新的目标检测算法,该方法首先对连续的三帧图像分别做帧间差分并将差分图像二值化,运用改进的线段编码的方法对二值化后的差分图像进行扩充以填补由帧间差分引起的空洞,然后用当前的二值化差分图像减去前一个二值化差分图像,差值为负的区域就是背景应该实时更新的区域,最后用传统的背景差分法就能检测出运动目标.实验结果表明,该方法不仅能在一直有运动物体的视野内获得完整的背景图像,而且背景的实时更新也能有效的减小噪声和突然进入摄像机视野的物体的干扰,有较强的鲁棒性.     

用Kalman滤波改进的背景建模红外运动目标检测

针对运动目标检测中的背景重建问题,提出一种用Kalman滤波理论改进混合高斯背景模型的建模方法,进行背景图像的重建和更新.把当前帧目标图像与背景图像进行差分运算,检测出运动目标.通过红外图像库中标准数据集的测试,实验结果验证了该方法应用于红外图像运动目标检测的有效性.     

一种基于目标定位的背景建模与视觉跟踪方法

提出一种基于目标定位的背景建模方法,通过对视频序列中运动目标的位置进行预估,将前景点与背景点初步分离,进而构建背景模型,有效避免了传统时间平均法构造背景时产生的前景目标与背景混合的现象.实验结果表明,该方法无需预先存储背景图像即可实现场景中运动目标的提取与跟踪,弥补了传统背景差法需要事先提供背景帧以及对背景变化缺乏适应性的缺陷.     

基于邻域相关性的背景重构

 背景差法是一种重要的运动检测方法,当场景中背景被长时遮挡,并非总是以最大频率出现时,往往容易将前景错误地认为是背景,从而产生错误的重构,针对该问题本文提出了一种基于邻域相关性的背景重构算法.算法首先对输入数据进行排序;其次利用简单归类算法对排序后的数据进行分类;再次计算灰度类的出现频率,根据灰度类的出现频率得到像素的背景确定标识,并为背景不确定的像素选定候选背景;最后对背景不确定的像素循环执行背景确定程序,即基于像素邻域相关性,选择和邻域相似度最大的候选背景为像素的确定背景.为验证算法的有效性,对算法进行了多种场景的仿真实验,仿真实验表明,即使在背景被长时遮挡的环境中,算法仍能很好构建背景,从而有利于后续的运动目标检测、识别和跟踪.     

移动目标跟踪:一个基于多背景模型的技术

本文中,我们首先比较了视频序列中移动目标跟踪的各种背景压缩技术和基于平均滤子的改进方法。然后,提出了移动目标跟踪的多背景模型。实验证明,我们的方法可以得到更好的效果。     

基于背景差分和粒子滤波的运动目标跟踪算法

针对粒子滤波算法在复杂环境下粒子数量显著增加导致跟踪实时性下降的问题,提出一种将背景差分引入到粒子滤波算法中的新算法.利用背景差分对图像处理后得到检测结果,将分布在已被检测为前景像素点上的粒子定义为重要性粒子,增大了其权值.实验结果表明,该算法能使用较少的粒子实现较好的跟踪,提高了跟踪的实时性.     

一种基于Gabor小波和颜色参数模型的阴影检测算法

本文提出了一种基于Gabor小波纹理特征分析和阴影参数模型颜色分析的阴影检测算法.首先,建立背景的混合高斯分布模型,通过对特定帧的颜色分析建立阴影参数模型.对图像序列中的每一帧,首先通过差分法提取出前景区域,然后通过Gabor小波滤波的方法,对背景和前景图中的相同小区域进行纹理特征分析,比较特征向量的距离,以判断潜在的阴影点.然后,通过阴影参数模型对这些潜在的阴影点进行颜色分析,并通过连通区域标记,形态学运算,FPR(去除假阴影)分析等方法,找出真正的阴影区域.实验结果表明,本算法具有较高的阴影检测率和物体检测率,可以满足实时检测的需要.     

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.     

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.