基于改进高斯混合模型的红外人体目标检测方法

针对高斯混合模型在阴影不显著情况下,容易把随光线突变而变化的背景像素点当作前景目标从而造成目标误检的缺点,提出了一种基于改进的高斯混合模型的红外人体目标检测方法。该方法引入边缘检测信息增强红外人体目标检测效果。首先,该算法利用Canny边缘检测来提取人体目标的边缘信息。然后,以此对每个像素建立高斯混合模型来完成人体目标的检测。实验结果表明,该方法能够有效消除光照突变所产生的阴影影响,提高了检测的准确性。     

基于Choquet模糊积分的运动目标检测算法

本文提出了一种基于Choquet模糊积分的运动目标检测算法（CIMOD, Choquet Integrate-based Moving Object Detection）。将模糊测度和模糊积分理论应用于运动目标与背景分类中,提出了自适应阈值的Choquet积分算法,实现了图像的颜色特征和纹理特征相融合;选择YCbCr颜色空间代替传统RGB空间,将图像亮度与色度分离,降低了光照变化对运动检测的影响;利用局部二元模式（LBP,Local Binary Pattern）纹理特征对亮度级的单调的变化具有不变性的特点,将其融合到检测算法中,有效抑制了阴影的干扰。仿真实验结果表明,即使在光照变化、阴影干扰等复杂背景情况下,该算法也能够准确的检测出运动区域。     

基于混合高斯模型与三帧差分的目标检测算法

针对传统目标检测方法中光照变化、复杂背景、阴影等难点,提出了一种结合三帧差分法和混合高斯背景建模的算法,既能很好地适应场景中的光照渐变和背景扰动,又能克服普通帧差法中检测目标不准确,容易产生孔洞及双影现象的问题。同时,采用了一种简易的阴影抑制算法和形态学滤波处理,有效地去除了阴影以及噪声。实验结果表明,该算法易于实现,具有较好地实时性和鲁棒性,能精确地检测出运动目标。     

静态背景下的运动目标检测算法

运动目标检测是计算机视觉研究的重要组成部分。为了改进传统运动目标检测算法存在空洞、阴影和虚假边缘现象,提出一种静态背景下基于五帧差分与背景边缘差分相结合的运动目标检测算法。该算法首先利用优化的Canny边缘检测算法快速简单地构建稳定的背景边缘模型,同时利用背景边缘检测差确定运动目标边缘;之后与五帧差分法检测的结果相累加;最后通过同化填充和后期相关处理提取完整、准确的运动目标区域。实验结果表明,该算法准确率高,连通性好,能满足实时性检测的要求。     

基于混合高斯模型的运动目标检测

针对现有方法在复杂的环境下不能很好地检测出运动物体的问题,提出了一种改进的基于混合高斯模型的背景消减法检测运动目标。改进了背景模型的更新算法,提高了背景更新速度。利用帧间差分法消除了运动影子和光照突变问题,并采用（r,g,l）颜色空间检测和抑制了运动阴影。实验结果表明,该算法能很好地提取出运动目标。     

一种改进W4算法的运动目标检测研究

针对经典W4背景建模算法只能克服光照强度的微小变化以及背景的轻微运动等问题,提出了一种新的运动目标检测算法。首先,利用均值法进行背景初始化选出静止像素集合,消除背景中运动目标的干扰;其次,给定背景初始帧,用经典W4算法计算出每个像素点的最小灰度值、最大灰度值以及最大帧间差分值;然后,对每个像素点提取的最小灰度值和最大灰度值进行线性加权,并且与均值法得到的初始背景相结合建立稳定的背景模型,克服了移动、阴影、光照突变等影响;最后,比较当前帧与背景模型从而检测出准确的运动目标。实验证明,与其它均值法、经典W4算法以及混合高斯背景建模方法相比较,改进方法不仅耗时短而且取得了较为理想的检测效果。     

基于自适应Lab色差阈值的ViBe运动目标检测算法

针对视觉背景提取算法(ViBe)对光照变化和运动 阴影敏感、提取的运动区域容易产生空洞的问题,本文提出了基于自 适应Lab色差阈值的ViBe运动目标检测算法。根据图像的局部背景亮度与色彩的空间频率对 人眼视觉的影响,自适应的确定 每个像素点的色差阈值,用于像素点与背景模型的匹配;然后,利用邻域像素点的空间一致 性原则,对检测结果进行修正; 最后,统计各连通域的面积,去除小面积的运动目标。实验结果表明,本算法可以有效的适 应光照变化、抑制运动阴影、填 补运动区域的空洞,具有比ViBe算法更好的检测效果。     

基于QT的视频目标检测方法

设计并实现了基于QT的视频中运动目标检测方法。该方法采用QT作为开发工具,利用背景差分算法和对称差分算法进行运动目标检测比较。实验结果表明,基于背景更新的背景差分算法对于光照的变化不敏感,在实时的运动目标检测中取得了较好的效果;而对称差分法能够快速对运动物体进行定位,计算量小,易于实现实时处理。     

视频序列中运动目标检测与跟踪

针对视频序列中运动目标的检测与跟踪,提出了一种基于边缘检测的背景差分算法。这种算法计算量较小,比较简单,在可以得到完整的运动目标的边缘信息的前提下,还不会受到背景的改变和光线的变化等外界因素的干扰。实验结果表明该方法具有良好的鲁棒性。     

基于颜色对立空间的运动目标的阴影检测

利用背景差分法检测运动目标,目标阴影和目标本身均会被当作前景检测出来。针对上述问题,提出了基于颜色对立空间的运动目标阴影的检测方法。该方法首先将提取的前景图像由常见的RGB格式转换成CIELAB颜色对立空间格式,再分别对其L＊、a＊和b＊三个通道进行边缘检测。由于CIELAB颜色对立空间所具有的接近人类视觉的特性,用上述检测出的边缘进行相关的数学形态学的处理,便可检测出阴影。实验结果表明该方法便捷快速,能够有效检测出运动目标的阴影。     

Robust moving shadow detection with hierarchical mixture of MLP experts

Detection and elimination of the shadows of moving objects in video sequences have been one of the major challenges in tracking applications. Since moving shadows cannot be removed from foreground by motion-based background subtraction methods, they lead to confusion and error in moving object tracking. In this paper, a novel classification method based on hierarchical mixture of experts learning for detecting shadows from foreground is proposed. A hierarchical mixture of MLP experts method (HMME) with semi-supervised teacher-directed learning (SSP-HMME) is used. It contains a two-level mixture of experts (ME) system. The main superiority of this method is that it is more robust than state-of-the-art methods in all types of indoor and outdoor environments. The robustness is against the number of light sources, illumination conditions, surface orientations, object sizes, etc., and it is estimated using accuracy rates. The video set has been collected from 7 different datasets. The results of experiments in outdoor and indoor environments show the validity of the method in the improvement on the accuracy of both detection and discrimination rate for moving shadows in video sequences. The results of the experiments show the accuracy rate of 89 % in average in different indoor and outdoor environmental conditions that is about 6 % better than current state-of-the-art methods.     

光照突变补偿在视频序列运动目标检测中的应用

针对光照突变情况下视频序列运动目标检测精度低 、误检多等问题,提出一种结合光照补偿的检测算 法。算法利用色差不变量提取稳定的背景区域,并结合历史前景信息判定光照突变程度。采 用对角模型补 偿光照突变的图像序列,对全局与局部光照突变分别运用区间估计与码本聚类方法计算补偿 参数,最后利用 背景减除法实现运动目标的检测。与典型算法进行对比的实验结果表明,本文算法具备较高 的检测精度与稳定性,适用于动态场景中的运动目标检测。     

基于OpenCV的运动目标跟踪系统研究

本文分析比较了传统运动目标检测的3种主要方法：背景图像差分法、时态差分法和光流法,在此基础上给出了一种背景图像预测算法,大大减少了因为背景变化而产生的目标检测误差。本文基于OpenCV设计出改进的运动目标检测与跟踪算法,实现了运动目标的跟踪,并在VC＋＋编译环境下,利用USB摄像头作为视频采集器,通过观察实验结果可以看出,本文的运动目标检测算法能够正确地检测出视频图像中的运动目标,而且在检测性能上优于普通的自适应背景差分法。     

运动人体轮廓检测算法的分析与改进

在视频序列的人体运动分析中,实时分割出运动的人体,是研究的关键步骤。为了克服不均匀光照、前景运动缓慢、背景中存在摇摆的树叶等因素对检测带来的影响,提出了一种背景减除法与帧间差分相结合的运动目标检测方法。该方法首先通过基于帧差法的背景模型建立方法建立背景图像,再结合背景减除与带有权值的帧间差分检测运动目标,降低目标物体对速度和环境干扰的敏感性。最后通过形态学梯度运算操作消除外界噪声的影响。实验结果表明,本文提出的算法计算简单,对环境适应能力较强,是一种有效的运动人体检测方法。     

Video object segmentation in rainy situations based on difference scheme with object structure and color analysis

A scheme based on a difference scheme using object structures and color analysis is proposed for video object segmentation in rainy situations. Since shadows and color reflections on the wet ground pose problems for conventional video object segmentation, the proposed method combines the background construction-based video object segmentation and the foreground extraction-based video object segmentation where pixels in both the foreground and background from a video sequence are separated using histogram-based change detection from which the background can be constructed and detection of the initial moving object masks based on a frame difference mask and a background subtraction mask can be further used to obtain coarse object regions. Shadow regions and color-reflection regions on the wet ground are removed from the initial moving object masks via a diamond window mask and color analysis of the moving object. Finally, the boundary of the moving object is refined using connected component labeling and morphological operations. Experimental results show that the proposed method performs well for video object segmentation in rainy situations.     

Moving object detection and tracking from video captured by moving camera

This paper presents an effective method for the detection and tracking of multiple moving objects from a video sequence captured by a moving camera without additional sensors. Moving object detection is relatively difficult for video captured by a moving camera, since camera motion and object motion are mixed. In the proposed method, the feature points in the frames are found and then classified as belonging to foreground or background features. Next, moving object regions are obtained using an integration scheme based on foreground feature points and foreground regions, which are obtained using an image difference scheme. Then, a compensation scheme based on the motion history of the continuous motion contours obtained from three consecutive frames is applied to increase the regions of moving objects. Moving objects are detected using a refinement scheme and a minimum bounding box. Finally, moving object tracking is achieved using a Kalman filter based on the center of gravity of a moving object region in the minimum bounding box. Experimental results show that the proposed method has good performance.     

基于自适应背景图像更新的运动目标检测方法

在运动目标的实时检测中常用的方法是背景图像差分法,但因其缺乏背景图像随监视场景光照变化而及时更新的合理方法,限制了本方法的适应性.对此,本文首先提出了一种基于光流场等技术的自适应背景逼近更新方法,并根据彩色差值模型得到差分图像;然后引入Gauss模型实现运动目标的自适应阈值分割.实验结果表明:本文提出的背景更新方法可随着光照条件的变化实时、准确地更新背景图像,在此基础上提出的基于Gauss模型的自适应阈值分割方法可以实现运动目标的完整分割,这为运动目标的后续识别与理解奠定了基础.