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。     

基于帧差法和边缘检测法的视频分割算法

针对目前常用的视频分割方法易受到噪声、亮度突变的影响,很难提取出完整的运动目标这一问题,提出一种基于帧差法和边缘检测法相结合的视频分割算法.该算法首先对连续三帧图像进行差分得到运动区域,然后对当前帧进行Kirsch边缘检测得到边缘图像,综合二者的检测结果得到更为精准的运动对象边缘.采用边缘连接算法完成对断裂边缘的连接,最后通过区域填充得到运动目标掩模图像,从而分割出完整的运动目标.实验表明,该算法可以实时有效地将运动物体从视频序列中自动地分割出来.     

基于最大区域互信息量的生物细胞图像分割

针对基于互信息量的阈值分割算法没有考虑像素的空间结构信息以及分割后图像与原图像之间关系的问题,提出了一种基于最大区域互信息量的图像分割算法.以区域互信息量作为目标函数,综合考虑图像各像素的邻域数据以及图像内在空间信息,利用粒子群算法找出图像分割的最佳阈值,克服了基于最大互信息量分割方法的不足.     

航道智能监控系统中运动目标的检测与分割

运动目标的检测与分割是航道智能监控系统中的重要环节,先通过对图像作预处理平滑图像去除噪声,减小波浪对运动目标检测算法的影响,然后利用运动目标检测算法在背景中提取到前景对象,最后通过连通区域标识算法把每个对象用一个外接矩形来标识,从而实现对运动目标的检测与分割。     

基于时空特性的运动目标检测算法研究

采用时序分割虽然能够检测到运动目标区域,却不能准确地提取出目标轮廓．本文提出了基于时空特性的运动目标检测算法．由背景减法检测到运动目标的位置、形状、大小信息,然后采用以彩色梯度为外部能量的活动轮廓（snake）算法获得准确的运动对象轮廓．实验证明,本算法能够很好地提取出运动目标．     

基于最大熵的迭代分割算法

对于一些对象与背景像素灰度值类似的图像以及充满噪声的图像,传统的图像分割算法分割精度较低。为解决这一问题,提出了基于最大熵的迭代分割算法,根据求出的最大熵阈值将图像分为背景和对象两类区域;分别对两类区域求取灰度平均值,以该平均值将图像分为对象、背景和待分割3个区域;再对待分割区域进行迭代求取最终阈值,并根据最终阈值对图像进行分割。实验表明,该算法具有较高的抗噪性能,能精确分割一些轮廓不明显的图像,其分割精度明显好于其他传统图像分割算法。     

基于运动背景的自适应视频对象分割算法

为解决运动背景中视频对象的准确提取,提出一种基于全局运动的自适应视频对象分割算法。基于特征点计算帧间运动,利用最小二乘法计算摄像机仿射参数进行运动补偿,通过二值开闭重建滤波器进行预处理消除噪声;采用改进的分水岭算法将图像标记成不同的灰度区域,以自适应的光流法对分割的对象信息进行评判,从运动背景中分割出前景对象。实验表明,该算法能准确地从运动背景中分割出视频对象,显著地减少了动态前景对象的分割误差,提高了分割质量,可应用于运动目标检测与跟踪。     

基于改进ViBe算法的运动目标检测

ViBe算法是一种基于静态背景下的运动目标检测算法，针对其“鬼影”问题和运动目标静止时会被更新为背景的问题提出了改进ViBe算法，即对原ViBe算法的背景模型初始化、动态阈值、前景分割和背景模型更新等4个部分进行了改进。采用均值法获取的背景图像初始化背景模型，可消除“鬼影”;利用计数法控制前景分割动态阈值，使前景图像更加准确；使用帧差法思想改进前景分割，使前景图像更加完整；通过引入阈值保证背景模型更新的稳定性。根据试验结果可知，改进ViBe算法对正常移动车辆、较小运动目标和存在静止情况的运动目标都有较好的检测能力，解决了“鬼影”问题和运动目标静止时会被更新为背景的问题，同时相较于原ViBe算法和其他常用运动目标检测算法，改进ViBe算法在保证准确性的基础上提高了检测的完整性。     

基于改进Otsu法的自动阈值分割方法

针对图像序列的背景变化和背景的复杂性,本文提出了一种基于改进Otsu法的自动阈值分割方法,实现了复杂背景下图像序列中运动目标的快速分割。实验表明,这种目标分割方法,减少了图像降噪和图像增强等处理,同时还降低了噪声的影响,且算法简单,具有较好的分割效果和较高的效率。     

融合视觉模型和最大熵的阈值分割算法

针对传统二维最大熵阈值分割算法关于二维直方图的区域划分中存在的缺点(即图像的部分目标点和背景点错误划分为边缘点或噪声点,而把部分边缘点和噪声点划分为目标点和背景点)以及搜索最佳阈值向量的时间复杂度较高的缺点,提出了采用视觉模型构造二维直方图,并提出了一种二维直方图的新的区域划分方法,同时还提出了基于视觉模型的二维最大熵阈值分割算法,提出的阈值分割算法降低了计算复杂度的同时还具有很好的分割性能。根据一些图像分割的定量评价标准,做了一系列实验,与几种典型的二维阈值分割算法相比,提出算法的分割效果更好。     

静态背景中运动目标的检测与跟踪系统

给出了系统的整体设计流程,采用背景减法完成目标检测与跟踪;针对不同应用领域,提出了基于时间的背景模型建立法和改进的累加平均背景模型建立法,对背景更新采用了手动更新与自动更新相结合的方法;利用全局阈值与分割因子的乘积作为阈值对减法结果进行二值化,实现图像分割;在目标检测时提出了检测区域的概念,针对不同应用领域,预设了运动目标模型;采用相邻两帧同一运动目标的距离差和面积差相结合的方法实现目标跟踪。     

基于速度特征矢量提取运动目标的图像分割方法

研究基于速度特征矢量提取运动目标的图像分割方法,根据目标图像像素移动的一致性,在序列图像中利用块匹配法进行帧间图像配准,得到目标图像块的速度估计,将具有相同速度矢量的目标图像块聚类,即可分割出运动目标。仿真实验结果表明,该方法能有效地对复杂背景下的运动目标图像进行分割,并具有较好的抗噪能力。     

结合灰度熵变换的PCNN小目标图像检测新方法

为了自动地进行小目标图像分割检测,从含单一弱小目标图像的特征出发,提出了一种结合灰度熵变换的脉冲耦合神经网络(PCNN)小目标图像分割检测新方法. 该方法在对有随机噪声和复杂背景图像进行非线性灰度熵变换滤波的基础上,考虑灰度熵值灰度图在满足先验概率目标背景比条件下,选择包含单一小目标局部窗口作为处理图像区域,并在局部最小交叉熵判据下,进行改进型PCNN迭代分割检测处理. 实验结果表明,该方法不仅能可靠地检测出复杂背景及随机噪声干扰下弱小目标,并且在PCNN运行处理过程中,可自动地完成最佳分割检测.     

一种基于自适应阈值的图像分割算法

为提高目标检测概率，针对复杂的地面目标红外亚图像，提出了一种以最大类间方差法为基础的自适应阈值图像分割方法。用分割出的目标和背景区域的灰度统计量，设计了一个判断是否得到正确分割的准则．理论分析和实验结果表明，对于复杂背景下低对比度、低信噪比的地面目标，不论目标在图像中所占面积大小，利用该方法均可得到正确的分割结果．通过设置阈值运算的灰度取值范围，可大大减少计算量，节省处理时间．     

基于分水岭变换的图像分割方法

针对基于分水岭变换的分割算法通常存在过分割现象,提出了一种新的分割算法,采用形态学的运算去除噪声及背景像素的影响,搜索区域极大值点,将分割定位于目标图像,从而达到很好的分割效果,方法从消除过分分割及区域轮廓定位等方面均具有很好的分割效果．     

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.      

基于数据场和水平集演化的图像分割

为了充分挖掘图像内不同区域间的隐含关联性,并解决图像分割中自适应阈值选择问题,提出了一种基于数据场和水平集的图像分割方法。利用数据场能够有效地表示图像像素间的相互作用,根据势值能够得到对应的势值等势线,可以根据该等势线的分布情况,采用梯度下降法来得到图像的二值化分割结果。为了得到更为精确的分割边缘,还引入基于拉普拉斯边缘检测函数的水平集演化方法来对二值化结果进行边缘曲线演化。将二值化分割结果与传统的基于数据场的图像分割算法对比结果显示,所提出的算法在分割准确性上表现良好,并且能够使得图像边缘更加精确。实验结果表明,提出的方法能够较好地分割目标,且对噪声图像具有较强的鲁棒性。     

非高斯噪声背景下计算机视觉目标跟踪方法

针对杂波背景下计算机视觉目标跟踪问题,提出一种非高斯噪声背景下计算机视觉目标跟踪方法.在视频目标运动模型和观测模型的基础上引入了柯西混合噪声模型,对非高斯噪声运动目标的状态进行建模;然后,在传统高斯噪声粒子滤波的框架内给出文中方法的具体实现步骤.针对大面积遮挡和夜晚光照改变的极端情况下对路上行驶的车辆进行实时跟踪实验,结果表明:文中方法明显提升极端杂波环境下的目标运动过程的建模精度,有效提升目标跟踪精度.