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.     

基于边缘特征的汽车运动阴影去除算法

首先设计了一种新的预处理流程,去除非阴影及车辆区域的边缘;其次,对边缘图像进行填充,得到运动部分的轮廓边缘图;最后,建立边缘擦除法则,擦去阴影部分的边缘,并对边缘图进行填充,得到最终的去除了阴影的目标图像.算法的核心是将前景图像中的阴影边缘从目标边缘上分离出来,着重解决了实际应用中经常出现的目标轮廓图边缘和实际阴影轮廓边缘不重合造成阴影边缘无法去除的问题,同时很好解决了多个前景目标因阴影而粘连的情况.大量实际道路视频图像的测试表明,本算法去除阴影效果好,有较强的实际应用价值.     

采用梯度滤波方法的夜间车辆检测

研究视觉交通监控的夜间车辆检测问题,提出一种基于视频图像处理提取夜间交通车辆完整轮廓的方法.通过梯度滤波消除路面反光的干扰,然后对经过预处理的相邻视频帧图像实行三帧差分分割运动区域,最后设计级联形态学滤波器对获得的车辆轮廓进行规整.多段典型的夜间交通视频测试结果表明,方法能有效地消除路面反光和环境光照的干扰,准确地提取夜间交通车辆的完整轮廓.     

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.     

基于MATLAB的运动目标检测研究①

基于MATLAB工具对运动目标的检测进行了研究,利用改进的帧差算法对获取的图像做帧差并将帧差图像做自适应阈值分割,然后自适应滤波去燥,最后利用逻辑与运算将两幅二值化图像合并成一幅图像,利用形态学腐蚀和膨胀的检测方法,提取运动物体的轮廓达到检测运动目标的目的。     

一种基于傅里叶变换的改进ViBe算法

针对Vi Be算法在第1帧图像中含有运动目标时容易引入Ghost区域以及不能很好地去除阴影等问题.我们基于块的背景建模结合傅里叶变换,对Vi Be算法进行了改进.该算法对每一帧图像进行分块,在块内使用快速傅里叶变换,利用第1帧图像中每一块的直流分量建立背景模型,以后各帧与背景模型比较,检测出运动物体,最后通过扫描图像计算每一列前景像素的个数与设置的阈值进行比较,来消除阴影.实验结果表明,改进的算法可以快速的去掉Ghost区域以及很好地去除阴影.     

边缘特征与局部纹理特性融合的阴影消除算法

针对视频分割中的阴影消除问题,提出了一种以置信度为桥梁,前景边缘投影特征与局部纹理特性相融合的阴影提取算法.采用自适应高斯法获得动态背景,提取包含阴影的前景,计算出当前帧和背景帧在前景最小外接矩形坐标范围内的边缘差异,得到低干扰的车辆和阴影边缘信息.利用大津阈值算法进行投影分割,在阴影连续性前提下,高置信度区域确认为阴影,低置信度区域确认为车辆,而一般置信度区域,进一步结合局部纹理在当前帧和背景帧间的跳变程度,搜索出与车辆相连的阴影.结果表明:该方法能够去除导致前景严重变形的大面积阴影,去除有效率在90%以上,保障了车辆的有效提取;算法实时性好,可应用于智能视频监控的目标检测及跟踪中.     

视频图像中的运动车辆检测算法研究及仿真

对于运动车辆跟踪和检测是实现准确采集和检测交通信息的难题和关键,人们非常关注通过对跟踪车辆的视频图像来分析车辆的运动规律。对比分析背景差分法和帧差法来检测运动车辆的效果,帧差法的算法要比背景差分法简单,但是效果不如背景差分法明显。     

基于改进水平集的多运动目标检测方法

针对多目标检测中目标和阴影连接导致检测失败的问题,提出一种基于改进水平集的精确检测方法.通过对监控视频进行对称差分获取运动信息,将其融合到水平集演化函数中,然后进行一次分割得到演化曲线,以此获得目标的位置信息.根据目标与阴影的差异信息,调整水平集演化函数,进行二次分割可准确分离多个目标及其阴影.将文中方法应用在公路监控的多运动车辆检测实验中,能够有效地检测出运动车辆轮廓,处理速度为24帧/s,消除阴影的准确率达98.6%,取得了准确的检测效果.     

带种子补偿的时空背景差分高速公路车辆检测算法研究

提出一种带种子补偿的时空背景差分高速公路车辆检测算法.由于高速公路场景的特殊性,首先基于混合高斯模型的背景差分、相邻帧差法以及邻域背景差分法的结合消除光照变化、场景扰动对检测结果的影响;然后通过基于HSV颜色空间的阴影消除判断并消除被误检为车辆的阴影;最后通过跟踪种子补偿去除差分方法造成的空洞.实验验证,论文提出的方法能有效去除光照变化、阴影等环境因素的影响,提高车辆检测的准确度和识别率.     

混凝土断裂韧度尺寸效应探讨

从国内一些单位近来所进行的断裂试验数据看,虽然在计算断裂韧度KⅠc时,裂缝长度a的取值为已经考虑了断裂过程区影响的临界有效裂缝长度ac,但KⅠc仍是有尺寸效应的,且基本满足由Weibull脆性破坏统计理论所导出的尺寸效应关系式,严格地说,此尺寸效应关系式只能在包括缝高比a/h在内的所有几何尺寸均相似的条件下才能应用.但大、小尺寸试件的临界缝高比ac/h往往是不相似的,因此尺寸效应关系式还应乘上一修正项.     

基于自适应轮廓匹配的视频运动车辆检测和跟踪

为了对高空拍摄的交通场景进行图像处理，实现对运动车辆的检测和跟踪，以获得车辆的运行轨迹，在固定模板的基础上，利用自适应轮廓匹配算法，结合误检判断和轮廓分解，较好地检测出了车辆轮廓，并能避免由于两辆车靠近带来的误检．将自适应轮廓匹配思想移植到车辆跟踪中，可以实现较为准确的跟踪．计算机检测和人工检测的比对实验表明，在一定的条件下，这种算法有效消除了误检和多检现象，其正确检出率达到95．01％，即使存在一定的漏检，也可以通过插值实现填充．     

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。     

交通监控系统中基于多源信息融合的运动阴影检测

针对目前运动提取算法常将运动阴影错误检测为前景目标的问题，提出了一种交通监控系统中基于多源信息融合的运动阴影检测算法．在颜色空间中利用亮度、色度和边缘信息检测阴影的可能区域，使用逻辑“与”操作融合多源检测结果得到最终的阴影区域．与其他算法相比，新算法能更好地区分前景尤其是暗色前景及其阴影，提高了阴影区域的检测精度，更准确地实现了运动目标的提取．仿真实验表明，对不同颜色和尺寸的前景引起的阴影，算法都能鲁棒地分离目标及其阴影区域，前景提取效果好．     

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。     

基于梯度方向恒定性的运动车辆阴影检测

交通参数的视频检测是智能交通系统的一个研究重点,其中运动车辆的分割是视频检测过程中的一个关键环节。目前,运动车辆阴影的检测与剔除是准确、有效的分割出运动车辆所面临的一个难题。本文发现并证明了梯度方向恒定性原理,在此基础上提出了一种基于梯度方向恒定性的阴影检测与剔除方法。首先建立路面背景梯度矢量图,根据与当前帧图像的梯度矢量图的比较结果,判断是否是路面背景或是运动车辆,然后对运动车辆区域进行形态滤波,弥补内部空洞和剔除杂点,进而准确分割出车辆。试验结果表明,该方法适应性强,车辆分割效果好。     

多光源图像细化和细节增强的协同图像处理算法研究

多光源图像合成处理过程中,为了增强图像的轮廓和表面细节,同时使合成后的图像边缘无伪迹、保真度高,提出了一种多光源图像细化与细节增强的协同处理算法。该算法通过梯度域法构建辅助层,采用二次过滤法提取出细节层,提出了新的阴影检测算法用来去除细节层的伪迹,同时使该细节层包含了输入图像的全部信息;使用一幅输入图像构造一个基础层并进行暗区亮度增强处理;细节层和基础层进行复合处理后,重现了暗影区丢失的细节,同时增强了现有的细节。该算法与其他算法进行图像处理对比实验,结果表明,该算法用于实现多光源图像细化和细节增强是可行的、有效的,采用这种方法合成的图像看起来更自然,相对于输入图像,输出图像保持了较高的保真度。该算法具有交互性,用户可以手动或自动调整合成图像的效果。