摄像机运动情况下的运动目标检测技术研究

针对视频运动目标检测技术的研究现状,介绍了摄像机运动情况下的视频运动目标检测方法,包括帧间差分法、图像分割法、运动矢量场法等,并对其算法适应性、复杂度、实时性等算法性能方面进行了较为详细的对比分析,详细讨论了各种运动目标检测方法的适用场合和优缺点,从而为不同应用场合下视频运动目标检测方法的选择提供参考依据。     

图像处理在数字视频监控系统中的应用

针对数字视频监控系统智能化方面的薄弱环节,采用运动目标检测和图像增强方法对视频图像进行处理;针对视频监控系统背景图像变化不大的特点,在传统帧间差分运动目标检测的基础上,提出了对"门"等敏感区域增加权值的方法,成功分离出运动目标,提高了检测效率;给出了对Hall监控视频序列Y分量进行邻域平均加权法、Roberts算子边缘检测的图像增强结果.     

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.     

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.     

空时自适应混合高斯模型复杂背景运动目标检测

为克服传统基于单像素建模方法存在的缺陷,解决复杂背景下的运动目标检测问题,将视频图像序列的空间信息引入背景建模过程中,研究了邻域更新、二维联合直方图信息熵判别、空时平滑等方法.采用引导滤波方法对视频图像进行预处理,以消除图像噪声,并保留图像中目标的边缘信息,给出了算法处理流程和实现步骤.在不同的评测数据库及现实捕获的视频图像上进行了定性及定量实验,结果表明,本文提出的算法在目标检测准确度和完整性等指标上优于传统的同类型算法,为复杂背景环境下的运动目标检测提供了一种新的解决方法.      

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.     

一种基于背景模型的自适应的目标检测方法

运动目标检测是智能视频监控系统中的一项关键技术。常用的目标检测方法有时间差分法、背景减除法和光流法。本文针对Kim提出的改进的目标检测方法和一种背景减除法与时间差分法加权平均的运动目标检测方法的不足,介绍了一种基于背景模型的自适应的目标检测方法。     

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.     

基于时空域能量可疑度的视频篡改检测与篡改区域定位

针对视频中运动目标从固定背景中移除的情况,提出一种基于能量可疑度计算的视频篡改检测方法,能定位时域和空域上的篡改位置.首先,计算视频各帧能量可疑度,提取时域上的篡改帧序列,再通过帧差法计算可疑运动点图像,提取空域上的可疑运动图像块,根据能量可疑度排除干扰图像块,确定目标移除块,从而实现空域上的篡改定位.实验结果表明,该方法能有效地检测出在固定背景下运动目标是否被移除.     

基于运动检测与H.264的智能监控系统设计与实现

针对远程智能监控的应用,基于H.264视频编解码与运动检测标识技术,在由小型工控机与计算机组建的客户机/服务器系统上设计并实现了实时运动检测视频监控系统。系统对采集的视频帧进行H.264规范的压缩编码并传输,在保证图像质量前提下降低了带宽与存储开销。运动检测算法在Kalman动态背景更新的基础上,采用了加权方式的图像差分法。通过实际试验表明,该系统能稳定的压缩传输视频流,并在不增加虚警的情况下,提高了系统的检测准确度。     

基于融合邻域信息的海面运动目标检测

运动视目标检测是视频信息处理的重要研究课题之一.本文提出了一种基于高斯混合模型邻域信息融合的海面运动目标检测算法.该算法融合了背景差分和背景邻域信息差分,充分利用同一幅图像的像素邻域信息得到运动目标的种子点,认为高斯背景差分图像中包含种子点的连通区域为真实前景目标.实验表明,该方法可以避免背景模型在构建或更新阶段对场景的表征不足或错误而造成的误检,对强光下的海杂波也有良好的抑制作用,且对不同的气候环境有较好的鲁棒性.     

基于分块变化检测的人体肢体运动跟踪

人体运动跟踪是基于视频的人体运动分析的关键技术之一.提出了一种新的人体肢体运动的跟踪方法,通过基于分块的帧间变化检测和二维人体块模型检测出人体运动区域,利用背景统计的技术从累积的帧差信息中构建出完整的背景区域,进而从运动区域中提取出头部和四肢的区域,通过区域形状分析确定各肢体区域的位置信息,从而判断出关节点的位置.实验证明,该方法可以对人体肢体的大幅度运动进行跟踪.     

视频图像火焰区域分割算法

主要研究室外具有复杂背景环境中的视频图像火焰区域分割算法．在充分研究视频图像火焰运动特性并考虑实际应用环境的基础上,提出了一种基于多均匀分布背景模型的运动检测算法,以此来实现视频图像中火焰区域的分割．该方法能够克服复杂背景环境带来的干扰,达到很好的火焰区域分割效果,且具有良好的实时性．该方法不仅适用于火焰区域分割,对智能视频监控系统中其他功能的运动检测也有很好的借鉴意义．     

基于DSP与FPGA的靶标动态检测跟踪技术

针对靶场目标测试面临的测量目标小、距离远、目标与背景对比度低等实际问题,提出了基于DSP(Digital Signal Processing）与FPGA（Field Programmable Gate Array）的数字视频图像信息进行目标动态检测跟踪的方法。该方法采用了图像分割检测方法与目标跟踪算法,精确并快速地定位靶标十字的中心,从而实现复杂环境下运动靶标检测跟踪,提高了检测效率和精度。     

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.     

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%。     

基于运动背景的自适应视频对象分割算法

为解决运动背景中视频对象的准确提取,提出一种基于全局运动的自适应视频对象分割算法。基于特征点计算帧间运动,利用最小二乘法计算摄像机仿射参数进行运动补偿,通过二值开闭重建滤波器进行预处理消除噪声;采用改进的分水岭算法将图像标记成不同的灰度区域,以自适应的光流法对分割的对象信息进行评判,从运动背景中分割出前景对象。实验表明,该算法能准确地从运动背景中分割出视频对象,显著地减少了动态前景对象的分割误差,提高了分割质量,可应用于运动目标检测与跟踪。