红外图像运动目标检测与识别

提出了一种利用相邻帧红我图像实时相减提取运动目标序列的方法，把复杂背景下运动目标识别问题转化为较简单背景下目标识别问题，介绍了一种基于差分图像序列的实时处理算法，可对多个运动目标进行识别与定位。     

序列图像运动目标检测的一种快速算法

研究了序列视频图像中运动目标的检测与跟踪快速算法．研究基于Kalman滤波理论的渐消记忆最小二乘法,用该方法重建背景图像;采用图像差分算法提取运动目标;提出简化的等效灰度投影算法来计算目标的质心;采用记忆外推跟踪算法实现图像目标的跟踪,并且对全部算法做了仿真．仿真结果表明算法简单、有效、执行速度快、具有很强的适应性,能够用于单镜头序列图像中运动目标的检测与跟踪．     

一种复杂图像目标的分割与识别

研究受光照等因素影响的表面灰度随机变化的空中图像目标的分割与识别。提出了改进的多阈值八邻域像素比较边缘检测算法,对得到的边缘像素进行填充,并在跟踪过程中消除轮廓上的短枝及图像干扰,最后采用快速多边形近似算法,用多边形顶角及目标形状因子作为特征对目标进行识别。     

一种新的运动点目标检测方法

常规运动目标检测中所用图像都是基于二维空间坐标的序列图,文中根据运动点目标与静态背景的特性,采用一种新的图像表示方法,以时间和空间为坐标,描述的时空图像能较直观地反映运动目标与静态背景的差异,易于实现目标与背景分离。通过实例处理表明,时空方法能更有效地从复杂背景中检测出低信噪比的运动点目标,抗噪声干扰能力强。     

一种基于概率密度分布的图像边缘检测技术研究

图像边缘检测是机器视觉和目标提取的重要步骤,直接决定目标检测的准确性,传统边缘检测方法大都只利用像素的梯度信息和局部邻域信息,使提取的图像目标边缘存在断点,文中引入像素的概率密度分布函数描述像素在整个图像空间的全局分布信息,提出一种新的图像边缘检测方法。仿真试验结果表明,与传统方法相比,新方法具有较好的图像边缘检测效果。     

基于视频图像的运动目标检测与跟踪研究

实际生活中,每时每刻都有千万种物体在进行运动,而这些不同的运动物体对不同的群体传达着不一样的视觉信息,对于群体来说,这些视觉信息给他们带来了重要的现实意义。然而在人们用视觉捕捉到的信息里,往往只对对自己有存在价值的运动目标或物体感兴趣,研究基于视频图像的运动目标的检测与跟踪,有很大的现实意义和实际价值。目前在实验室环境中已实现了对运动目标的检测和跟踪。在运动目标检测方面,参考理论,用帧间差分法得到基本完整可靠的运动目标;在运动目标跟踪方面,利用一种低复杂度的分块搜索算法,能对其进行仿真实验与编程实现。     

复杂背景中视频图像目标的检测

研究带有运动景物的复杂背景中视频图像运动目标的检测。用图像差分法提取运动目标信息;针对运动景物在差分图像中产生强脉冲干扰的特点,提出K领域自适应滤波算法;采用二维熵准则选择最佳二值化阈值;最后用图像形态学运算处理目标的分割碎块。中给出了实验结果。     

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。     

实时视频监控系统中运动目标检测和跟踪的一种实用方法

针对目前信息发展的要求，讨论了视频序列中运动目标检测和跟踪的一些方法，并在视频监控系统的具体应用环境中，提出了运动目标的适时检测和跟踪的一种适用方法，同时给出了相应的实验结果．结果表明，本文方法是比较实用的，能满足实时视频监控系统的要求．     

监控图像中运动目标检测技术概述

本文对监控图像中常用的帧差分法、背景减法、光流法等几种运动目标检测方法进行了研究、分析,并通过实验仿真分析比较了这三种方法优缺点。     

智能视频监控中的一种快速运动目标检测方法

为解决现有视频监控系统中目标检测算法无法应付复杂的环境且计算量较大等问题,结合背景模型算法和帧间差分的优点,对混合高斯背景方法和帧间差分进行改进,提出一种基于混合高斯模型背景法和混合差分相结合的运动目标检测改进算法.利用分块思想进行高斯背景建模,利用多帧差分实现混合差分,既能得到较高的灵敏度又能进一步提高检测效果和速度.通过实验证明该算法的可靠性和实时性.     

基于光流场核密度估计的动态目标分割

在经典的核心密度估计模型中,基于像素亮度的估计能够将同一目标更好地连通显示,具有集中的像素分布规律.利用这一规律,可将经典核密度模型的计算维度扩展到二维,用其分割像素对应的光流场,并称该方法为基于光流场核密度估计的动态目标分割模型.实验证明,该方法能够从运动背景中很好地检测出较完整的运动目标.     

基于GJK的凸体快速连续碰撞检测研究

针对一段时间内的多个运动物体之间的碰撞检测,提出一种基于距离算法(Gilbert-Johnson-Keerthialgorithm,GJK算法)的凸体快速连续碰撞检测算法,该算法主要通过判断一段时间内两物体之间的最小距离是否为零来检测碰撞发生情况。首先利用GJK算法在有限步骤内计算得到最小距离,检测两物体是否发生碰撞;若两物体发生碰撞,进而利用ray-casting算法确定发生碰撞的精确位置,根据环境要求做出相应响应,调整运动物体位置。仿真结果表明,对多个运动物体间的连续碰撞检测,该算法有较高的实时性和准确性。     

一种动态紧缩的移动对象索引结构

DPTI(dynamic packing trajectory index)是R*-Tree和链表组合而成的移动对象索引结构.用链表来存储轨迹数据,做到了严格的轨迹保护.轨迹的分段处理对每条轨迹进行了逻辑划分,每个划分对应链表中的若干条线段.R*-Tree存取的最小单元不再是轨迹的线段,而是各个划分所对应的线段集.基于对轨迹更新的简单预测,在轨迹不断更新的过程中对存放历史信息的结点进行紧缩,使得叶子结点拥有更高的存储利用率.DPTI的两层索引结构做到了严格的轨迹保护,分段处理使得各段轨迹能够按照时空位置插入R*-Tree,动态紧缩提高了索引的存储利用率,这些改进都促使DPTI得到了较好的时空查询效率.     

一种高效的移动对象索引

提出了一种基于R-树和聚类算法的高效移动对象索引,这种索引能够有效地回答各种查询,包括范围查询、瞬时查询和最邻近查询。这种索引的新特征是在节点发生分裂时采用另外一种的聚类方法,即k-mealls算法,取代传统的“两路”分裂算法,而采用“多路”分裂算法。通过实验比较,这种新的索引结构在各种条件下性能比其它相关算法优越。     

一种改进的移动对象时空数据模型

分析了MOST模型和离散模型各自存在的问题,给出一种改进的移动对象时空数据模型HCFMOST．模型采用三次Hermite插值函数模拟移动对象的历史单元的轨迹且利用线性函数模拟移动对象的当前单元的轨迹,对当前单元中的误差进行了处理．该模型能够对历史轨迹进行精确的查询,对当前和未来的轨迹进行带误差的查询．     

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.     

改进的混合高斯模型的运动对象分割算法

针对视频序列中运动对象分割问题,提出一种改进的混合高斯模型分割算法.该算法首先由混合高斯模型得到前景,之后用当前帧的前景区域与上一帧对应位置做差,区分出实际变化区域及误检区域并为误检区域赋予较大的更新速率,从而有效地改善了长时间静止物体转为运动后留下的"鬼影"及光线突变导致的大面积误检情况.采用阴影抑制和形态学滤波使得前景目标分割的性能得到有效的提高.实验表明,本算法能够迅速响应实际场景的变化,准确分割出运动对象.