一种运动车辆的阴影消除新方法

针对运动车辆阴影消除时可靠性和实时性难以兼容的问题,提出一种基于彩色检测线的线间差分的阴影消除新方法.通过检测运动区域四周方向线的线特性确定出运动区域所属的车辆/阴影模型,结合车辆/阴影模型和运动区域找到检测线,再利用检测线在彩色空间内的线间差分和检测线的属性找到阴影和车辆的分界点,进而根据分界点找到车辆和阴影的分界,从而实现阴影的消除.由于利用了检测线在彩色空间中的颜色特性和检测线在灰度空间中的背景图像,因而新方法具有较强的噪声抑制能力,并提高了低亮度车辆的阴影消除效果.实验结果表明,所采用的阴影消除新方法不仅具有较高的可靠性,也具有较好的实时性.     

基于HSI运动车辆阴影消除的快速算法

针对视频序列图像提出一种运动阴影快速消除的算法,首先利用背景差分获取前景,再根据投射阴影HSI彩色空间的特征,分割运动车辆和运动车辆阴影。实验结果表明该方法能快速准确分割,具有良好性能。     

基于Kalman滤波和阴影消除的运动目标检测

研究基于Kalman理论的时域递归低通滤波、Ostu(最大类间差)阈值选取及形态学阴影消除在运动目标检测中的应用,并将它应用于实际的交通监控视频,实现对运动目标的自动检测.首先采用Kalman滤波实现背景的提取,然后把当前帧与提取的背景做差分运算,之后采用Ostu算法计算出阈值实时检测运动目标,最后采用基于边缘信息阴影检测方法消除阴影.实验以实际的交通监控视频为研究对象,依据运动图像序列与交通场景的特点,兼顾处理效果与实效性.实验结果表明,该方法应用于实时运动目标检测中具有有效性.     

融合混合高斯模型的改进的Vibe算法

针对经典Vibe算法在运动目标检测时存在鬼影、阴影和噪声干扰的问题,提出了一种融合混合高斯模型的改进的Vibe算法。在背景初始化阶段,采用五帧差分算法与八邻域的像素值填充获得的真实背景并且消除鬼影现象;通过混合高斯模型权值与Vibe随机取样概率相结合进行背景更新,将得到的运动目标进行形态学处理,使运动目标更加清晰;最后,在YCb Cr颜色空间进行阴影消除。实验结果表明,改进后的Vibe算法不仅能够有效地去除鬼影,并且在消除阴影与噪声方面取得了良好的效果。     

基于互相关系数和交叉投影的车辆阴影消除

在交通视频监控系统中,运动车辆存在的阴影严重影响了系统的检测效果,而单一的阴影消除算法不能有效地消除阴影。为解决该问题,提出了一种分两步完成的运动车辆阴影消除方法。该方法首先利用阴影和背景亮度之间的互相关系数进行初步阴影消除,然后根据车辆近似为矩形区域的特点采用垂直-水平交叉投影的方法确定车辆/阴影间的分割线。实验结果表明该方法能有效地消除车辆阴影。     

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.     

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.     

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.     

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.     

视频序列中运动目标影子去除方法

针对固定场景的运动目标检测问题,本文提出了一种具有实际应用价值的阴影去除方法。该方法通过背景差分方法分割出运动目标及其可能存在的阴影,采用8邻域灰度聚类算法检测出阴影。最后,去除阴影并分割运动目标。实验验证了该方法的有效性。     

Multi-features Based Approach for Moving Shadow Detection

IntroductionAs the core of smart surveillance system, image analysistechnology has been used to many fields including home andcommunity surveillance, and transportation monitoring. Themain aim is to detect special moving objects, such as vehicle,walking person, etc. By computing object features as motion,shape, color, texture, centroid, and area, the events in thescene can be evaluated. The requirements of moving objectdetection is the tracking application should be robus…     

视频序列中运动目标跟踪新方法

提出了一种跟踪视频图像序列中运动目标的新方法.该方法利用一种基于动态信息窗口的自适应背景更新方法解决背景的复杂性问题,结合一种新的计算颜色模型解决运动阴影问题,从而得到具有精确边缘的特定运动目标.计算了运动目标灰度质心,在坐标系中记录其位置,并采用最小二乘法拟合实现了对运动目标的跟踪.实验结果表明这种方法能有效地跟踪并预测视频序列中的运动目标.     

基于纹理和小波变换的阴影检测去除算法

在基于视频处理的室外场景运动物体检测系统中,对运动物体的阴影进行检测与去除是一个关键环节。文中提出了一种基于纹理自相关和整数小波变换相结合的运动物体阴影检测与去除算法,算法中首先使用纹理自相关对运动物体的阴影进行预提取,再对阴影预提取结果进行统计判别,对判别为阴影误检的区域再进行基于整数小波变换的阴影再检测,最后将两次检测结果相结合实现对运动物体阴影的检测与去除。实验结果表明：文中的方法不仅能够准确地检测出与背景灰度差别比较大的运动物体的阴影,而且能够较好地检测出与背景灰度相近的运动物体的阴影,较好地克服了使用单一方法进行阴影检测与去除时常见的阴影误检问题,获得了很好的阴影检测与去除效果。     

一种基于YUV色彩空间的阴影检测方法

针对计算机视觉处理系统中,阴影会严重影响到对目标的跟踪、识别和图像场景的理解的问题,提出了一种基于YUV色彩空间的阴影检测方法并给出了与不同色彩空间的实验对比结果.该算法将分割出的运动目标与背景在亮度和色度进行对比,从而区分出运动目标和运动阴影.实验证明,与其他的阴影检测的算法相比,该方法具有更高的准确性和更快的检测速度.     

基于GMM和MRF的自适应阴影检测

运动目标阴影在很大程度上会影响运动目标跟踪、行为识别的正确性和有效性.为此,文中提出了一种基于混合高斯模型和马尔科夫随机场的自适应阴影检测方法.该方法首先对混合高斯模型进行改进,使其可以自适应调整参数学习率以消除浅阴影;然后采用马尔科夫随机场综合邻域的空间依赖性信息进行精确的阴影检测.为了提高基于马尔科夫随机场的阴影检...     

一种基于运动目标检测的视觉车辆跟踪方法

针对复杂交通场景中动态光照变化、阴影和遮挡等因素带来的影响,提出了一种基于运动目标检测的高效、鲁棒的车辆跟踪方法. 采用自适应背景建模获取动态场景中的运动信息,通过阴影去除获得准确的运动区域,并针对场景中的遮挡问题提出了相应的遮挡检测与处理策略,最后通过区域匹配获得跟踪结果,同时使用Kalman滤波器建立车辆的运动模型,对跟踪结果进行了约束和优化. 实验结果表明,提出的视觉车辆跟踪方法可以在复杂多变的室外场景下有效地解决场景中的阴影和遮挡问题,得到鲁棒的车辆跟踪结果.      

一种运动车辆阴影去除的新算法

文章提出一种改进运动车辆阴影去除新算法,首先通过帧差获得车辆和阴影的轮廓图像,然后对轮廓点应用离散K-L变换解除R、G、B分量的相关性,并运用颜色聚类检测出阴影区域,最后用帧差法产生的运动车辆图像与获得的阴影图像差分得到去除阴影的运动车辆,实验表明该方法能够更好地实现运动车辆阴影的去除。     

基于箱式约束RPCA的运动目标检测

为克服运动目标检测中光照变化、阴影干扰等的影响,提出了一种具有箱式约束的鲁棒主成分分析方法,用于带阴影的视频运动目标检测。该方法建模时首先将输入的视频数据分解为低秩背景、稀疏前景与阴影3个部分;接着在传统鲁棒主成分分析模型的基础上对阴影变量施加箱式约束,利用Powell-HestenesRockafellar增广拉格朗日乘子法将上述约束转化为目标函数的惩罚函数项,推导了3个子问题的闭合解,并用交替方向法对模型进行求解;最后在公开数据集上对该方法进行了测试。实验结果表明,该方法能够在检测运动目标的同时去除阴影,场景适应性较好。