基于三阶中心矩区域分类的视频运动目标检测

针对室外视频监视环境复杂,现有的运动目标检测方法难以在克服背景干扰的同时准确地检测到慢速目标和运动着的小目标,且存在准确性低的问题,提出一种基于三阶中心矩场景区域分类的运动目标检测方法.由于前景区域、扰动区域和背景区域内真实运动、无意义运动、背景噪声像素值变化规律不同,采用三阶中心矩建立区域内像素值变化和区域类型的对应关系,设计了基于三阶中心矩的分类器以完成自适应场景区域分类,最终在区域分类的结果上检测运动目标.实验结果表明,该方法针对室外监视视频区域分类结果良好,能够克服树枝叶晃动、水面波动等背景干扰,可以准确地检测到慢速目标和运动着的小目标.     

基于YUV空间码本模型的运动检测

以YUV空间码本模型为基础,提出了一种融合码本聚类思想和信号能量分析思想的运动检测算法。先在YUV空间上进行码本建模,然后在码字训练阶段对每个进入码字的像素点的均值以及围绕均值波动的能量值进行统计,最后在前景检测阶段通过能量门限实现前景和背景的分割。实验结果表明,与以往的YUV码本模型相比,该算法除了具备快速实时和准确的特性外,对复杂背景环境中如晃动的树叶、水波和光线的突变等强干扰因素体现出更好的适应能力,并且在阴影的抑制方面也有较强的鲁棒性。     

基于帧间扰动相关性的弱小目标提取方法

帧差分和背景差分技术在运动目标检测方面具有很好的原理性效果;但是对弱小目标图像来说,当目标尺寸和噪声、干扰点尺寸能够比拟,硬件系统和信号噪声的随机性会使差分方法几乎完全失效;在研究差分结果噪声相关性的基础上,提出定点能量积累,避免了能量积累时对目标运动速度的限制;并利用组合扰动排除法,大幅度削弱了帧间相互独立的噪声和杂波干扰;实验结果表明,该方法能够以较低的运算量准确地检测出强噪声干扰和复杂背景下的运动弱小目标,实时性好。     

去除椒盐噪声的自适应开关加权均值滤波

提出一种去除椒盐噪声的自适应开关加权均值滤波算法。该算法采用一种新的噪声检测方法将图像中的像素分为信号点和噪声点,对检测出的噪声点采用加权均值滤波进行处理,而信号点保持其灰度值不变直接输出。实验结果表明,该算法能在有效去除椒盐噪声的同时保护图像细节,较传统中值滤波及其改算法有更好的滤波性能。     

超像素特征的运动目标检测算法

在像素级的背景建模方法中,由于其反映的只是时间上的连续性,没有考虑到空间上的相关性,所以会导致检测目标不完整,或检测目标呈碎片化的结果,不利于后续的识别或跟踪.为此,本文首先针对ViBe算法对于动态背景不鲁棒的问题进行了改进,利用样本集的标准差作为动态背景度量值,实时更新距离阈值和背景模型更新率,达到对动态背景的鲁棒性;同时引入了超像素特征,提出了基于超像素特征的运动目标检测算法.由于超像素分割具有较好的边缘信息同时超像素数目可控,所以根据SLIC0超像素分割算法提取超像素特征,将超像素块中的像素均值作为超像素特征值,并引入到改进的ViBe算法框架中;由于超像素分割的数目并不是固定不变的,所以本文使用初始种子点位置的超像素特征构建背景模型并进行运动目标的检测.实验表明,该方法检测结果具有良好的目标边缘信息并可以有效抑制动态背景的干扰.     

基于改进光流法的旋转运动背景下对地运动目标实时检测

针对战机对地侦查视频图像中地面旋转运动背景下运动目标检测高虚警、低实时性的问题,提出了一种基于改进光流法的旋转运动背景下对地运动目标实时检测算法。首先提取图像的特征点,在特征点处计算光流运动矢量,并通过光流矢量场估算背景运动矢量。根据战机飞行高度自适应计算目标像素尺寸,网格化分块待检测图像;然后将各个特征点光流矢量与背景运动矢量相比较,获得备选目标特征点。最后统计分块备选目标特征点密度,判断目标位置区域。对2组实验视频中央360像素×432像素区域进行目标检测实验,结果表明该算法能够准确地检测出地面运动目标,虚警率低。平均每帧检测耗时分别为29.460 ms和31.505 ms,满足战机对地运动目标检测的实时性。     

基于像素层背景模型的复杂场景运动目标检测

为了从复杂变化背景中鲁棒地检测、提取运动目标,提出一种基于像素层背景模型的运动目标检测算法。该算法采用快速均值漂移方法将背景帧上具有相同统计特性的像素划分为一个像素层,背景模型从而被表示为一组像素层,通过与邻域像素对应的层匹配来检测运动前景像素。实验结果表明,该方法可以实时、准确地检测运动目标,特别是在摄像机颤动等原因造成的背景时域不规则变化情况下,比经典的基于混合高斯背景模型的方法具有更好的检测效果。     

统计建模与对象更新机制相结合的背景减法

基于混合高斯模型（Gaussian Mixture Models,GMM）或码书模型（Codebook,CB）的传统背景建模算法和改进后的G-KDE算法被广泛地运用于运动目标检测中,但是在光照突变、非静止背景和运动目标短暂停留再运动的场景中不能正确地检测出运动目标。针对以上问题,提出了一种从静止摄像机的视频序列中检测运动目标的背景减算法。通过统计像素的经历作为时间序列,利用核密度估计判断背景像素是否受到运动目标干扰,使用K-均值聚类算法的两个连续阶段来确定可靠的背景区域,通过像素更新适应渐进的光照变化,提出一种基于对象的背景更新机制适应突然的光照变化以及非静止背景、鬼影等干扰。对实际摄取的视频进行了仿真实验,结果表明该算法比其他三种方法检测运动目标鲁棒性更好,准确性更高。     

基于深度学习和像素值排序的大容量图像可逆信息隐藏方法研究

像素值排序（Pixel Value Ordering）技术是可逆信息隐藏中最新颖的技术。该技术对像素块中的像素值进行排序，使用目标块中像素次大值与次小值的差值作为波动值并根据波动值对目标像素块进行预测嵌入。本文提出了一种新的波动值计算方法。首先，我们使用深度学习中的transformer来预测目标像素块的波动性。与传统的波动性计算方法相比，我们求得的波动值更能体现目标块与图像其他部分的相关性。同时，我们提出了一种自适应的分块策略，该策略针对不同的波动值，选择更为适应目标像素块的二次分块策略，更大程度上利用到了平滑块进行嵌入。实验结果表明，改进的算法不仅增大了不可感知性，同时也提升了嵌入容量。     

实时图像的运动目标检测及跟踪

在复杂背景的运动目标实时检测算法的研究中,由于目标受到外界环境影响,目标不能正确提取。针对克服背景干扰因素提取,干净的目标像素,大多数背景建模与背景更新算法计算复杂,难以满足视频监控的实时要求。为解决上述问题,提出一种根据像素特征的背景差法,将目标的边缘特征融入减背景算法,通过对离散的目标边缘梯度像素进行网格密度聚类法实现目标像素的提取,采用改进的均值漂移跟踪算法,在DM642平台上实现目标检测与跟踪。实验结果表明,改进的算法可以有效的克服光线变化、背景抖动、噪声等问题,实时检测、跟踪多个目标,并能解决目标遮挡问题。     

自适应混合高斯背景模型的运动目标检测方法

提出了一种静止摄像机条件下自适应的运动目标检测方法。该方法基于同一像素点被同一灰度车辆覆盖几率小的假设构建初始背景,为每个像素点在线选择高斯分布个数。根据像素点与其邻域像素间存在联系的思想,在线更新学习率。最后用背景差分法检测出运动目标。实验结果表明,同基于传统混合高斯模型的运动目标检测方法相比,该方法有较好的自适应性,能快速适应场景的变化。     

一种基于相关特征匹配的移动目标检测方法

提出了一种在变化背景中利用相关特征匹配来检测移动目标的方法,该方法利用图像的灰度均值及灰度均方差作为自适应阈值过滤原图像,将图像中的目标物分离;提取特征并将特征参数化,利用特征参数欧式距离检测目标;通过检测连续多帧图像,对图像中非移动目标进行过滤,最终得到移动目标。该方法与相关系数法检测移动目标的方法相比减少了计算量,并且相邻图像中存在部分相同背景的情况不影响检测结果。实验结果证明,该方法能在变化背景图像中有效地检测到运动目标。     

A texture-based method for modeling the background and detecting moving objects

This paper presents a novel and efficient texture-based method for modeling the background and detecting moving objects from a video sequence. Each pixel is modeled as a group of adaptive local binary pattern histograms that are calculated over a circular region around the pixel. The approach provides us with many advantages compared to the state-of-the-art. Experimental results clearly justify our model.     

混合高斯模型的自适应前景提取

复杂场景下的运动前景提取是计算机视觉研究领域的研究重点。为解决复杂场景中的前景目标提取问题,本文提出一种应用于复杂变化场景中的基于混合高斯模型的自适应前景提取方法。本方法可以对视频帧中每个像素的高斯分布数进行动态控制,并且通过在线EM算法对高斯分布的各参数进行学习,此外每个像素的权值更新速率可根据策略进行调整。实验结果表明本方法对复杂变化场景具有较好的适应性,可有效、快速地提取前景目标,提取结果具有较好的查准率和查全率。     

多信息动态融合的运动目标检测方法

针对基于视觉显著性的运动目标检测算法存在时空信息简单融合及忽略运动信息的问题,提出一种动态融合视觉显著性信息和运动信息的运动目标检测方法。该方法首先计算每个像素的局部显著度和全局显著度,并通过贝叶斯准则生成空间显著图;然后,利用结构随机森林算法预测运动边界,生成运动边界图;其次,根据空间显著图和运动边界图属性的变化,动态确定最佳融合权值;最后,根据动态融合权值计算并标记运动目标。该方法既发挥了显著性算法和运动边界算法的优势,又克服了各自的不足,与传统背景差分法和三帧差分法相比,检出率和误检率的最大优化幅度超过40%。实验结果表明,该方法能够准确、完整地检测出运动目标,提升了对场景的适应性。     

空间约束混合高斯运动目标检测

目的 针对传统混合高斯模型前景检测运算量过大问题,提出一种基于空间约束的混合高斯前景检测算法。方法 通过快速初始化缩短模型的初始建立过程;采用双重背景模型机制,以自适应背景减法的前景检测结果作为混合高斯前景检测的空间约束条件,降低模型在背景区域的冗余运算;运用多策略自适应模型更新,提高前景检测的准确性。结果 在各种测试场景下,与传统混合高斯法、CodeBook、GMG、偏差均值混合高斯模型(MODGMM)等算法相比,该算法具有更好的准确率以及4倍以上的处理速度。结论 在固定相机场景下的运动目标检测中,算法能有效提高传统混合高斯法的准确性且具有极高的实时性。     

Moving object detection and segmentation in urban environments from a moving platform

This paper proposes an effective approach to detect and segment moving objects from two time-consecutive stereo frames, which leverages the uncertainties in camera motion estimation and in disparity computation. First, the relative camera motion and its uncertainty are computed by tracking and matching sparse features in four images. Then, the motion likelihood at each pixel is estimated by taking into account the ego-motion uncertainty and disparity in computation procedure. Finally, the motion likelihood, color and depth cues are combined in the graph-cut framework for moving object segmentation. The efficiency of the proposed method is evaluated on the KITTI benchmarking datasets, and our experiments show that the proposed approach is robust against both global (camera motion) and local (optical flow) noise. Moreover, the approach is dense as it applies to all pixels in an image, and even partially occluded moving objects can be detected successfully. Without dedicated tracking strategy, our approach achieves high recall and comparable precision on the KITTI benchmarking sequences.     

混合高斯模型和帧间差分相融合的自适应背景模型

提出了运动目标检测中背景动态建模的一种方法。该方法是在Stauffer等人提出的自适应混合高斯背景模型基础上,为每个像素构建混合高斯背景模型,通过融入帧间差分把每帧中的图像区分为背景区域、背景显露区域和运动物体区域。相对于背景区域,背景显露区中的像素点将以大的更新率更新背景模型,使得长时间停滞物体由背景变成运动前景时,被遮挡的背景显露区被快速恢复。与Stauffer等人提出的方法不同的是,物体运动区不再构建新的高斯分布加入到混合高斯分布模型中,减弱了慢速运动物体对背景的影响。实验结果表明,在有诸多不确定性因素的序列视频中构建的背景有较好的自适应性,能迅速响应实际场景的变化。