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.     

基于背景差分的运动目标检测方法

针对静止摄像机下的运动目标检测问题,提出了一种基于背景减法的运动目标检测算法.通过对一组连续视频进行处理,从中得到不含运动目标的背景图像.再利用背景差分的方法提取出运动目标.在确定比较阈值的过程中,一改以往通过实验不断调整的做法,提出了动态阈值的概念,从而增强了检测效果,提高了算法的可实施性.融入了高斯模型关于背景更新的算法,克服了由于背景突然改变而造成的误检测.实验结果表明,通过背景差分与高斯模型相结合的方法,在有诸多不确定性因素的序列视频中构建背景有较好的自适应性,能迅速响应实际场景的变化,为准确地检测出运动目标提供了必要的基础.     

基于帧间差分和背景相减的运动目标检测和提取算法研究

对比分析了常用的图像目标检测算法,根据其各自优缺点,提出了基于帧间差分和背景相减相结合的运动目标检测和提取算法。详细介绍了基于上述算法的运动目标检测的全过程,并准确地检测出了运动目标。通过对实验结果进行分析表明,该算法既避免了背景相减法因背景变动导致的目标提取不准确,又避免了帧间差分法的运动目标不完整,能够有效去除噪声和阴影,具有良好的检测效果。     

一种基于背景减法的运动目标检测算法

针对静止摄像机下的运动目标检测问题,提出了一种基于背景减法的运动目标检测算法.首先利用无拘束学习方式迅速建立多个可靠的RGB颜色背景模型,然后在运动目标分割过程中,及时地根据场景变化对背景模型进行更新,同时利用色度信息及局部交叉熵信息去除阴影,得到较为精确的运动目标.在对用普通USB摄像头获取的视频序列实验中,该算法显示了良好的性能.     

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。     

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.      

基于背景差分的运动车辆检测的栅格算法研究

对运动车辆的检测进行了研究。在图像差分算法的基础上,研究提出了运动车辆自动检测的栅格算法,该方法通过计算当前帧与参考帧对应栅格的不相似度来检测是否有运动车辆进入视场,定义了不相似度下降率DSDR。基于此,可以比较准确地确定出运动车辆在栅格中的位置,并可方便地将车辆图像作为模板保存下来。实验结果表明,利用DSDR法比较准确地确定了运动车辆在栅格中的位置。     

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.     

基于视频的车辆检测和分析算法

为了高速公路行车安全,需要及时检测公路上车辆的异常停车情况.通过对视频图像分析,首先重建背景图像,再分割出车辆目标,然后进行目标跟踪,采用基于针孔模型的摄像机定标估算车辆的速度,利用速度信息分析高速公路上的车辆停车事件.现场实验结果表明,此方法对于高速公路上异常停车的检测具有较高的准确性.     

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.     

基于阴影属性的运动阴影检测方法

提出一种基于阴影属性的阴影检测与去除方法,首先采用光照评估方法判断阴影是否存在,若有阴影存在则确定阴影方向并计算阴影属性,最后根据阴影属性检测阴影点。由于使用了阴影属性,阴影的检测和去除更加准确。     

基于阴影抑制和自适应背景更新的车辆检测系统

在基于视频的交通监控系统中,车辆的正确检测是关键,目前采用的典型方法是背景相减法.为了提高对多车道上运动车辆检测的正确率,该文提出的车辆检测系统采用了快速自适应背景生成与更新算法,并结合基于轮廓跟踪的阴影去除技术,可以达到精确定位车辆的目的.实验图像数据表明:该检测技术较传统方法更具鲁棒性和准确性,并且从算法实现的角度来看,具有简单易用、实时性较高的特点.     

基于非负矩阵分解的阴影检测方法

针对以往的矩阵分解方法不能保证分解结果非负的问题, 根据非负矩阵分解（NMF: Non negative Matrix Factorization）结果非负的特点, 提出了基于NMF的阴影检测方法, 并以此为基础将进一步引入的分块非负矩阵分解（BNMF: Block Non negative Matrix Factorization）应用于阴影检测。通过NMF/BNMF提取训练样本中阴影的亮度特征, 再根据特征识别测试样本中的阴影区域。实验结果表明,与基于奇异值分解方法相比, 该算法的阴影检测细节更清晰, 具有更好的效果。     

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。     

基于小波系数及光学特征的车辆阴影检测

为消除投射阴影对检测交通实景图中行驶车辆的干扰,从阴影区域的图像特征入手,在对实景图与背景图实施“商比例”处理的基础上,提出了基于小波系数分布特征及阴影光学特征的车辆阴影滤除两步法．首先通过对高、低频带小波系数分析,提取出符合阴影特征的小波系数,重构运算后得到准阴影图;然后通过构造基于光学不变性的识别判据,成功识别出虚假阴影区．实验结果表明,本文方法对汽车对象的颜色、大小及阴影的投射方向没有特殊要求,阴影平均检出率超过92％,平均误检率低于3％,且速度较快;与汽车对象同画面行驶的自行车及行人阴影也受到有效抵制和滤除;在适用性、有效性和处理速度等方面反映出较优的品质．     

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.     

基于Mean Shift的大车车型分类特征提取

针对车流量大的多车道路面,从可实现的角度出发根据统计分析提出了以车体结构区间和颜色为基础的3个能有效区分大客车和大货车的特征,并提出了一种以Mean Shift与抗干扰边缘检测相结合的特征提取方法.该方法首先在色度域和空域的5维联合空间中用Mean Shift进行图像分割,然后以分割所得区域的边缘提取结构区间的分界线,进而获得特征的表示.实验结果表明,该方法能有效克服由反光和运动而导致的车体颜色失真和边缘模糊的现象,特征提取率超过90%,因此该方法鲁棒性强、准确率高.     

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.     

一种改进的利用背景检测弱小目标的方法

提出一种基于背景检测弱小目标的改进算法.该算法通过双重预测窗,分别用来预测当前像素的背景灰度和真实灰度,不仅能解决传统预测算法的边缘模糊问题,而且适用于双极性目标的检测,运算速度更快,是背景预测算法的一个重要改进.在导弹视频实时跟踪中,检测的可靠性和稳定性要求目标检测算法既要克服边缘模糊问题,又能保证导弹在亮、暗背景下都能正常工作.针对导弹跟踪系统提供的实际图像的试验表明,提出的算法能快速准确地检测出目标.