基于图切割和阴影抑制的目标检测算法

针对目标检测中背景噪声影响检测精度的问题,提出在HSV高斯背景模型下,使用最小图切割算法,并结合连通性,找到最大的前景连接区域,最后使用阴影抑制技术完成目标分割.实验结果表明,算法有很好的鲁棒性,能够获得清晰、光滑的前景目标轮廓.     

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.     

基于改进的混合高斯模型的运动目标检测方法

针对传统高斯模型学习速度慢问题,提出了一种基于新的背景模型更新模式的目标检测方法.首先,对彩色图像建立混合高斯模型,并且采用新方法更新背景模型,即不同的阶段使用不同的更新方程,然后由背景差分得到基本准确的前景图像,其次利用基于颜色差、亮度差和梯度差的阴影检测算法削除前景图像的运动阴影,最后利用形态学滤波、连通组件分析和种子区域增长进行后处理.实验结果表明,该方法不管在室内还是在室外都能很好地消除阴影,准确地提取运动目标.     

基于Gabor小波和颜色模型的阴影检测算法

在视频处理中,阴影的存在会严重影响对目标的跟踪和识别.为了有效地检测视频序列中的阴影,文中提出了一种基于Gabor小波和颜色模型的阴影检测算法.首先,建立背景的混合高斯分布模型和阴影颜色模型,通过差分法提取前景区域并结合Gabor小波纹理特征分析找出潜在的阴影点;然后通过阴影颜色模型对这些潜在的阴影点进行颜色分析;最后通过后续处理,找出真正的阴影区域.实验结果表明,文中算法具有较好的阴影检测效果.     

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.     

结合局部二元图特征的运动目标阴影抑制方法

针对基于局部二元图纹理的阴影区分算法不能有效抑制暗阴影边缘的问题,提出了一个结合图像边缘信息的改进方案.当进行阴影抑制时,对不在边缘上的像素直接通过比较前景像素及其相应背景像素的局部二元图纹理值进行区分;否则,以待判定的像素为中心,设定一个滑窗,对滑窗内相同位置的前景像素与背景像素的局部二元图纹理值进行比较,统计滑窗内纹理值相同的像素对的数量.若该数量大于一定的阈值,则判定中心像素为背景像素,否则为目标像素.实验结果表明:改进方案能适应阴影的明暗程度变化,消除仅使用局部二元图时存在的伪阴影边缘,所增加的计算量与阴影区域的大小成比例.     

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YC_bC_r颜色空间的背景建模及运动目标检测

高斯混合模型广泛应用于基于背景建模的运动目标检测中.首先在YCbCr颜色空间采用自适应高斯混合模型对背景的每个像素建模;然后,对输入的当前帧图像的每一像素值与该像素点对应的高斯混合背景模型的各个高斯模型进行比较,将前景运动区域(包括运动目标、投射阴影)从场景中提取出来;最后,采用局部二元图(Local Binary Pattern,LBP)来提取纹理特征,利用背景在阴影覆盖前后的纹理相似性去除投射阴影,同时结合阴影的空间几何特性优化运动目标检测结果.实验结果表明,该算法能有效地检测出投射阴影和运动目标,具有较高的实际应用价值.     

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．     

基于高斯金字塔的运动目标检测

针对自然环境下运动目标检测背景动态变化问题,提出一种新的基于高斯金字塔模型的背景差分算法.首先将图像序列进行多尺度分解,得到不同分辨率下的当前帧和背景帧;然后,在不同分辨率下采用高低双阈值进行背景差分运算,得到双阈值产生的2帧前景图像,阈值根据环境自动获取;最后,将各层差分图像自顶向下融合检测感兴趣的运动目标,并在HSV空间中去除阴影.背景模型的初始化和更新方法基于2种假设:一是背景点出现的概率较大;二是距离当前帧越近的点越能真实地描述背景.研究结果表明:该算法能有效地应用于动态背景环境下,可以克服光照变化及阴影的影响.多个标准图像序列的测试证明了该算法具有较高的准确性、鲁棒性和自适应性,时间复杂度低,可以运用于实时检测系统中.     

基于前景概率函数的目标跟踪

针对不规则目标跟踪中初始窗口内包含背景像素导致特征模板不准确的问题,提出前景概率函数以及基于前景概率函数的目标跟踪算法.首先根据目标所在区域与背景区域的颜色分布建立前景概率函数,并以此计算目标区域中像素的前景概率,削弱背景像素的干扰,得到更准确的目标特征模板.将目标区域像素的前景概率引入均值迁移跟踪框架中,实现目标的迭代定位;在跟踪收敛后重新计算收敛区域中的前景概率分布,根据其反向投影图的尺度变化调整跟踪窗宽;最后利用Bhattacharyya相关系数对目标特征模板进行自适应更新.实验表明,该算法能够有效抑制背景像素的干扰,在目标尺度变化时能够准确调整跟踪窗宽,减少迭代次数,满足实时跟踪的需要.在复杂背景中跟踪性能也始终优于传统的均值迁移跟踪算法.     

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.     

基于矩形框的人群密度数值估计算法研究

摘 要：公共场景监控下的人群密度估计已经是公共安全管理中的一个重要环节,为了提高对视频监控中人群密度估计的实时性和准确率,提出一种改进的混合高斯背景建模进行前景提取并用大小随目标边缘可变的矩形框对人群目标进行圈定以代替传统的边缘像素数和前景像素数,通过最小二乘法拟合估计人数和实际人数的线性关系,使用平均相对误差和平均绝对误差进行定量对比分析。实验结果表明：与基于边缘像素统计和阈值分割像素统计的算法相比,该算法能够直接统计出有效人数,较为准确的估计出视频图像中的人群数目,且误差最低。     

结合Kinect深度图的快速视频抠图算法

现有视频抠图算法主要存在人机交互繁琐、计算复杂度高的问题,为此,该文提出了一种利用Kinect深度图的新的快速视频抠图算法。首先结合彩色图信息改进区域生长算法,估计出三色图(原始图像被3种颜色标记出前景、背景和未知区域)以避免深度图中遮挡区域的影响。其次,提出前景和背景样本点集二次筛选机制,保证估计精度的同时大幅降低计算复杂度。最后,采用深度、彩色和置信度图对抠图结果进行加权滤波,减少不透明度图像中低置信度的像素点和不平滑区域。实验结果证明了该算法精度高、速度快且交互简单。     

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．     

采取阶段性改进的全新ViBe目标检测算法

针对ViBe (Visual Background extractor)算法在目标检测过程中易产生鬼影问题和检测目标不完整问题,从ViBe算法处理过程的主要阶段出发,提出一种全新的ViBe目标检测算法.首先,在模型初始化阶段,利用前m帧视频序列对应像素点的均值构建背景模型,同时将原算法的8邻域改为24邻域进行样本选取以及动态调整匹配半径;然后,在目标检测阶段,引入最大类间方差法来计算当前图像帧的最佳分割阈值,进而对前景像素进行二次判别;其次,在背景模型更新阶段,根据背景变化快慢程度动态地调整更新因子;最后,对获得的前景图像进行形态学处理得到最终的前景目标.实验结果表明,改进后的ViBe算法使鬼影问题得到有效解决,目标检测的准确度和完整度也有大幅提高.     

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.     

基于改进K均值的运动目标检测算法研究

背景建模是运动目标检测的关键环节,提出了基于改进K均值背景建模的方法,并进行前景提取．该算法在HSV颜色空间对视频流的前N帧中的每个像素样本进行K均值聚类学习,K均值聚类的结果用来表示该像素螅背景模型;接着输入的视频流像素与背景模型比较,进行背景、可能前景和阴影的分离,并提出了一种像素相关的选择性背景更新机制;然后利用TOM（Time Out Map）方法来消除鬼影现象．实验结果表明该算法能够很好地对背景进行建模,较精确地提取出运动目标信息,对光照变化具有较强的鲁棒性．     

Adaptive Contour Model for Real-Time Foreground Detection

A multiscale foreground detection method was developed to segment moving objects from a stationary background. The algorithm is based on a fixed-mesh-based contour model, which starts at the bounding box of the difference map between an input image and its background and ends at a final contour.An adaptive algorithm was developed to calculate an appropriate energy threshold to control the contours to identify the foreground silhouettes. Experiments show that this method more successfully ignores the negative influence of image noise to obtain an accurate foreground map than other foreground detection algorithms. Most shadow pixels are also eliminated by this method.