面向运动目标检测的ViBe算法改进

背景差分法是静态背景下运动目标检测的常用方法,ViBe算法是它的主要建模方法之一.针对ViBe算法对鬼影消除缓慢的问题,提出了结合帧间差分技术的ViBe改进算法,使用帧间差分技术通过记录相关像素值的时域变化来判断鬼影像素,提高消除鬼影的速度.针对ViBe算法的固定阈值不能反映每个像素具体情况的问题,提出了一种自适应阈值的方法,可根据像素值的变化为每个像素设定阈值,提高前景检测的准确度.实验结果表明,结合帧间差分技术的ViBe算法能够较快地消除检测结果中的鬼影,应用自适应阈值的ViBe算法能够更准确地进行前景检测.     

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.     

基于改进ViBe的多行人检测方法

利用改进的Vi Be算法及模板匹配方法对多行人场景进行了目标检测.为了提高运动目标检测性能,提出将原Vi Be算法与帧间差分相结合的方法,该方法使二值图像中的鬼影比原Vi Be算法消除更为迅速.根据待处理像素点周围已完成的前背景分离结果,利用动态计算模型参数估计前背景,以提高前景目标提取的准确度.基于HOG算法识别运动目标中的行人目标.实验结果表明,该方法在没有降低运动物体检测实时性的同时,明显提高了算法检测的准确度.     

一种鬼影及边缘传播抑制的ViBe目标检测算法

针对在目标运动检测中ViBe算法容易产生鬼影、缓慢移动的目标容易融入背景样本模型等问题,提出一种改进的ViBe算法,首先在使用ViBe算法检测到运动目标后,利用迭代自组织分析算法的阈值分割来进行鬼影判别;其次利用改进的Canny算子获得图像的边缘特征,当ViBe算法在更新目标边缘的背景样本模型时不对其邻域的样本模型进行更新,从而使得缓慢移动的目标融入背景样本模型的时间得以延长;最后通过形态学处理获得完整的运动目标.实验结果表明,与传统ViBe算法相比,本文算法在有鬼影的情况下能更快获得较高的检测准确率,在有缓慢移动目标的情况下准确率的下降时间更晚.     

改进ViBe的井下视频图像检测算法

针对矿井下视频图像检测问题,提出一种改进ViBe的矸石检测算法。首先,划定ROI区域并进行图像转换和图像平滑, 降低计算量及环境噪声影响。然后从改进背景建模初始化方法和自适应阈值2个方面解决原始ViBe算法存在的“鬼影”问题 和背景扰动导致的检测效果欠佳问题。最后,计算检测到矸石的相对面积并与警戒值比较,判断画面中是否存在大块矸石。 实验证明,所提出的算法能够满足实时性,同时准确检测视频图像中出现的大块矸石,识别率达96.06%。     

基于图像块填充的ViBe车辆检测算法

针对传统的Vibe检测算法(visual background extractor)在进行运动目标检测时存在Ghost区域的现象,提出了一种结合图像块的背景填充算法与帧间差分法的Vibe检测算法。此改进算法在初始化背景模型时,通过两帧相差获得运动目标所在区域;再通过相似性选择最优图像块对运动目标覆盖部分的背景进行填充;如此可重构完整的背景模型,有利于后续帧的检测。实验结果表明,与传统的Vibe检测算法相比,改进算法可以有效抑制Ghost现象的产生,使算法的检测性能有所提高。     

一种基于边缘信息的改进车辆检测方法

实时获取车辆有无、车流量等交通信息,在智能交通系统中有着及其重要的作用.基于视觉的交通监视系统具有直观明了、系统使用和维护费用相对较低等优点,因而广泛应用于公路干线和交叉道口的交通监控.但是由路边建筑、树木引起的阴影,是导致车辆检测错误的一大主要因素.笔者提出了一种基于边缘信息的改进车辆检测算法,用于检测车辆,进而实现对过往车辆的正确计数.     

基于多尺度的增强ViBe背景建模

提出一种基于多尺度的增强ViBe背景建模方法 mViBe.通过多尺度模型,将像素点的颜色信息与其空间位置信息相结合并通过多尺度判别,有效地降低对背景像素的误判.利用基于多重先验概率对多尺度模型进行层次化更新,提高了在多模态背景、摄像头抖动及光照变化等复杂场景条件下背景模型的鲁棒性.实验结果表明:提出的mViBe算法相比ViBe算法及其他代表性算法具有更优的检测性能,同时保持很好的实时性.     

融合两帧差分法的改进视觉背景提取算法

针对视觉背景提取(Visual Background Extractor, ViBe)算法在运动目标检测过程中容易受到噪声干扰的问题,将两帧差分法融入ViBe的前景检测阶段,提出一种融合两帧差分信息的改进ViBe算法(ViBe with two-frame differencing, ViBe-TD)。首先,设计单阈值形ViBe(single-threshold form of ViBe, S-ViBe)检测,为信息融合做准备;其次,基于逻辑斯蒂(Logistic)回归模型,实现像素点上两帧差分和S-ViBe检测信息的融合;最后,综合两类检测信息完成前景像素点的判定。实验结果表明,ViBe-TD算法在4种不同场景视频上的检测效果达到了0.932的平均精确率,0.785的平均召回率以及0.842的平均F1值。与原算法相比,ViBe-TD算法的各项指标平均有0.158的提高,具有良好的检测效果。     

改进ViBe算法与Meanshift结合的目标跟踪方法

为解决视频监控系统中因光照变化、相似颜色干扰及快速动目标而导致的目标易丢失问题,提出一种改进ViBe算法与Meanshift结合的目标跟踪方法。首先采用三帧差分和ViBe算法结合进行前景目标提取和检测,以消除鬼影的干扰,利用色度特征和梯度特征相结合的方法来抑制阴影;同时通过将边缘特征融入到Meanshift算法中,引入运动矢量在当前帧中预测下一帧运动目标的位置,实现场面监视环境中运动目标的持续、准确跟踪。通过在监控视频中行人、车辆及飞行器等不同场面目标做实验,验证了本文方法不仅能够持续、准确地跟踪运动目标,并且可适用于场面雾天低能见度条件下的运动目标跟踪。     

基于单目视觉的实时车距侦测算法的实现

针对汽车自主驾驶技术领域车距侦测问题,利用影像摄取硬件和软件系统,并提出一种基于单目视觉的车距侦测算法,实现了车距的实时侦测.实验证明此方法在白天、黑夜、复杂路况及天气恶劣的情况下均能稳定运行,且此算法有效减少了Hough运算量,具有较强鲁棒性及实时性.     

用于交通治安卡口的全天候视频车辆检测方法

文章针对交通治安卡口应用,提出了一种基于视频的全天候智能车辆检测方法。该方法主要特点是不考虑车辆跟踪,提高了计算速度并避免了跟踪误差,适于嵌入到监控摄像机中;而且自动区分白天/夜间场景。对于白天场景,通过背景剪除、阴影抑制、形态学计算等手段获得运动信息,然后根据车辆的尺寸、对比度与纹理特征实现车辆检测;对于夜间场景,利用车灯的高亮度与对称性特征得到车辆检测结果。该方法快速有效,在现场采集的实际路况视频数据上,白天与夜间车辆检测准确率分别为96.42%和95.96%。     

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。     

智能视频分析的车辆异常行为检测方法

针对目前车辆异常行为检测中的检测实时性问题,提出了一种基于智能视频分析技术的车辆异常行为检测方法。车辆出现异常行为时车辆位置变化、速度变化及运动方向变化较大。通过背景差分法检测运动车辆,并采用均值漂移算法跟踪运动车辆,获取车辆位置、速度、运动方向等车辆异常行为判别参数,对3种判别参数的状态函数加权融合检测车辆行为。为验证该算法的有效性,将对真实交通场景中采集的交通视频进行车辆运行状态检测实验。实验结果证明该算法能及时有效地检测出交通场景中的车辆异常行为。     

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。     

基于混合差分法的运动目标检测

为了提高背景重建速度和目标检测精度,提出了基于混合差分的运动目标检测方法.采用一种基于统计模型的区域像素级背景重建方法.结合帧差分法对于环境的适应性和背景差分法目标检测的准确性.首先用帧差分法得到目标最大的可能区域,在该区域进行像素级背景重建.然后用背景差分精确提取目标区域.既克服了单纯帧差分对于目标运动速度的限制,又缩小了背景差分的区域,使运动目标检测的时间复杂度迅速降低.通过实验,验证了该方法在检测精度和速度上的优势,可以应用于视频监控和目标跟踪领域.