基于光流场分割的伪装色运动目标检测

为了解决伪装色运动目标难以检测的问题,通过分析动态背景下具有伪装色运动目标的运动变化规律,提出一种基于光流场分割的运动目标检测方法;在具有伪装活动目标且背景动态变化的视频中采用稠密光流算法计算出视频序列的运动光流场,根据运动目标与背景运动方式的差别对运动光流场进行分析,利用K-均值算法完成运动目标与背景的分割,获取运动目标区域。实验结果表明,在摄像头固定情况下,该方法能在变化的背景中有效检测出伪装色运动目标。     

基于显式运动建模的视频伪装目标检测

目前的视频伪装目标检测方法通常采用隐式运动建模或直接输入存在噪声的离线光流图来获取运动线索,这会影响模型性能。为了解决这一问题,提出一种新的基于显式运动建模的视频伪装目标检测框架,称为SMHNet。首先,该框架将显式运动建模与伪装目标检测联合在同一个框架中进行学习。然后利用特征双向更新模块实现两个分支的双向交互更新,相互补充、优化和纠错,输出光流估计结果和目标检测图。此外,为了解决缺少光流真值图这一问题,采用自监督策略对显式运动建模分支进行监督。在两个数据集上的对比实验结果表明,SMHNet有效地提高了视频场景中伪装目标检测的性能。     

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.     

自适应背景下的运动目标检测

智能视频监视就是实时地观测被监视场景的运动目标,如人或车辆等,并且分析描述其行为。在数字视频监控系统中,从视频流里捕获出序列图像并进行实时运动检测是一项重要的功能。采用基于自适应背景相减法的运动目标检测,并结合数学形态学的方法来进行特征提取。该方法由于增强了边缘检测技术,所以有效地提高了检测水平。     

自适应背景下的运动目标检测

智能视频监视就是实时地观测被监视场景的运动目标,如人或车辆等,并且分析描述其行为.在数字视频监控系统中,从视频流里捕获出序列图像并进行实时运动检测是一项重要的功能.采用基于自适应背景相减法的运动目标检测,并结合数学形态学的方法来进行特征提取.该方法由于增强了边缘检测技术,所以有效地提高了检测水平.     

一种基于背景差分的运动目标检测新方法

针对传统运动目标检测方法存在的缺点和不足,提出了一种运动目标检测的新方法:基于背景差分,融合多种检测手段和理念,有效地克服了传统方法存在的误检和空洞等问题.实验结果表明,该方法快速、有效,能够满足运动目标的实时检测要求.     

基于块背景建模的运动目标检测

运动目标检测是计算机视觉中目标识别、目标跟踪和场景理解的前提.文中提出一种基于块的混合高斯背景建模方法,采用图像块的均值和块内方差作为块的特征对场景进行建模,并对前景块根据它的邻域块处理以得到更精确的目标区.新方法不仅考虑了像素在时间域上的分布信息,还利用了像素邻域间的信息消除虚警数,改善了传统混合高斯背景建模方法处理...     

一种自适应背景差分运动目标检测算法

运动目标检测是运动行为理解的前提,也是安防系统研究的热点、难点问题。在分析现有检测算法的基础上,针对背景更新模型不准确、分割阈值难以选取等问题,提出了一套自适应背景差分运动目标检测算法。算法包括：基于像素相关区域灰度曲率特征的背景更新模型,基于直方图统计的动态阈值,改进型区域生长的运动目标标识。实验表明该算法能较好解决光照变化所引起的背景更新以及不同环境下阈值选取等问题。     

星空背景下运动目标级联支持向量机高精度检测

为实现空间监视系统光学图像中目标高精度探测,提出了一种星空背景下高精度快速级联式支持向量机空间目标检测算法。通过提取空间目标不同尺度下目标二值规范化特征,训练前两级线性级联支持向量机分类器;继而提取目标的面积、周长、灰度、Hu矩特征作为组合特征,训练第三级支持向量机分类器。在目标检测过程中,采用前两级支持向量机分类器进行候选目标的窗口预测和评分,进而利用第三级支持向量机分类器进行目标确认而给出检测结果。仿真实验及结果分析表明,这种级联支持向量级目标检测方法的精度高、实时性强、适用于星空背景下的空间监视系统。     

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.     

动态场景中运动目标检测与跟踪

为了在静态和动态场景中均能实现对运动目标的检测与跟踪,提出了基于运动检测和视频跟踪相结合的视频监控方法. 建立四参数运动仿射模型来描述全局运动,采用块匹配法对其进行参数估计;采用基于全局运动补偿的Horn-Schunck算法检测出运动目标;使用卡尔曼滤波对运动目标的质心位置、宽度和高度进行跟踪. 实验结果表明,该方法能够有效地对静态和动态场景中运动目标进行检测与跟踪.     

基于背景差值法的运动物体检测

从图像预处理、背景差值和区域生长3个方面阐述了基于背景差值法的运动物体检测方法。     

基于FPGA的静态背景下移动目标检测

基于现场可编程门阵列(Field Programmable Gate Arrays, FPGA)硬件平台和背景差分算法设计一个静态背景下的视频移动目标检测与跟踪系统,并详细给出系统的实现过程.检测结果表明:采用FPGA硬件实现系统设计,极大地提高了系统的处理速度,在静态背景下,可以实时、准确地检测和跟踪到移动目标.     

基于背景差分的高速公路运动目标检测算法

针对背景差分法难以适应光照变化频繁且对实时性要求较高的高速公路监控环境的问题,提出一种差分图像自适应阈值确定算法,利用统计学方法对差分图像中目标的灰度值进行快速有效的分类,并将分类界限作为自适应阈值,再利用差分图像的梯度分布辅助判断运动目标的区域.试验结果表明,该算法可以适应不同的监控环境,能准确识别交通目标,且具有较好的稳定性.     

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.      

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.     

雨雪动态背景下的运动目标检测算法

为解决雨雪等动态背景严重影响目标检测和识别的问题,提出一种新颖的利用误检信息消除雨雪干扰的方法.首先采用背景差法进行初始运动检测,对每个像素点进行前背景分类,获得候选前景第一次分类的二值序列;继而统计该二值序列的码元跳变次数和高电平时间,将2个数值作为特征向量;然后利用K均值分类算法进行候选前景的二次分类;最终提取真实运动目标.实验结果表明,相比于背景差法,所提算法能够有效去除雨雪动态背景导致的目标检测干扰.     

运动物体变化检测算法研究

运动物体的变化检测,恢复和提取是运动检测中的三个重要环节,本文根据视频监控设备CCD器件成像特征以及帧间差运动变化检测方案,建立了一种利用灰度均值和方差作为判决门限的高斯运动变化检测模型,运动检测实验证明,利用该模型可以相对准确的检测出视频序列图像中的运动变化区域.     

基于对称EMD的运动目标检测

针对静态场景下运动目标的方向检测问题,提出一种基于对称EMD的运动目标方向检测方法。借助背景差分和加权的思想,对背景模板作更新处理;借助背景模板和小区域斑点清除,提取运动目标;依据运动目标和对称EMD结构,设计运动目标的运动方向量计算模型。仿真实验结果表明,在背景差分法及图像去噪方法辅助下,该运动方向检测方法能有效对运动目标的运动方向进行判定,对监控运动目标的运动行为有一定的应用潜力。     

基于高斯混合背景模型运动检测的研究

研究了运动对象自动检测方法,针对传统的光流法、时间差法存在的不足,采用一种经典的背景模型提取运动对象,即高斯混合背景模型。对于模型参数的更新,摈弃计算量大的EM算法,采用一种拟合方法,使得算法的计算开销大为降低,提高了运算效率。通过在不同分环境多次实验,证明算法具有很好的鲁棒性、准确性。