运动目标检测中的环境感知与自适应研究

在复杂环境下,任何环境的改变都会对运动目标检测的准确性产生影响。因此提出广义高斯混合模型与背景减除法相结合的算法对运动目标进行检测。该模型可以灵活地感知环境,自适应地处理视频背景模型中背景的环境变化,如光线渐变、背景扰动、阴影和噪声等,而且当光线突变时可以迅速感知并重新建模。此外为了满足实时性,采取每隔3帧进行一次背景更新的策略。实验结果证明本算法在满足实时性的同时,能准确检测出运动目标。     

一种结合区域直方图比较的单高斯背景建模算法的改进

背景差减法是目前常见的目标检测算法之一,使用传统的单高斯模型进行背景建模具有实时性,稳定性等优点,但当镜头发生突变时,传统的单高斯模型需要一定时间重新适应变化的背景。另一方面,移动缓慢的运动物体容易在前景检测中造成拖影现象。针对传统单高斯模型的缺点,提出一种结合区域直方图比较的单高斯模型运动目标检测算法。算法首先将视频分成若干区域,然后通过计算前后两帧相同区域的直方图距离,判断需要进行更新的背景区域,最后通过单高斯模型进行选择性更新。实验表明改进算法能够降低一定的误检率,有效抑制拖影现象的产生,并缩短单高斯模型对镜头突变的适应时间。     

基于混合高斯和帧间差分的机场跑道入侵检测

入侵机场跑道的威胁目标检测,难点在于算法的高精度和实时性.针对传统混合高斯背景差分运动目标检测算法自适应性较差的缺点,提出一种混合高斯背景差分与帧间差分相结合的运动目标检测算法,将帧间差分的结果反馈到混合高斯模型中,实现光线突变时高斯模型快速收敛,再进行图像后处理以获得精准的运动威胁目标.在Matlab仿真平台上进行实验,结果表明,提出的算法兼顾了检测的速度和精度,分别可达l0-1秒级和像素级,满足了入侵机场跑道的威胁目标检测的需求,为机场终端区跑道入侵检测提供了有效的方法.     

基于增量式特征基背景模型的运动目标检测

背景差法是目标运动检测的主流方法,关键在于背景模型自适应更新.针对传统特征基背景模型批处理方式计算量大、更新速度慢的问题,采用增量式主成分分析来建立特征基背景模型.首先计算样本图像的初始背景图像,然后采用CCFIPCA算法更新特征基背景模型,最后通过输入帧和重建帧的欧氏距离检测前景运动目标.算法以视频帧整体来建立背景模型,克服了混合高斯模型和核密度估计以孤立像素点建模的不足,提高了背景建模的鲁棒性.在SIMULINK下的仿真实验表明,算法能很好地适应高速公路交通场景动态变化,在有光线变化和阴影影响的情况下能完整、准确地提取出运动车辆轮廓.     

基于改进混合高斯模型与六帧差分的目标检测算法

利用经典混合高斯模型进行目标检测存在耗时长、复杂度高的缺点,并且对噪声、光照和突发运动等干扰比较敏感。为此,提出一种改进的运动目标检测算法。基于混合高斯模型和六帧差分算法获得检测目标的基本轮廓,采用不同区域更新率的自适应选择策略提高算法准确性,同时通过形态学操作去除残余噪点,运用连通性检验提高检测目标完整性,获得轮廓较为完整清晰的运动目标二值化检测结果。仿真结果表明,该算法不仅能提高实时性,而且较好地解决了因目标状态变化、环境噪声以及光线变化等因素引起的误检问题。     

混合高斯模型背景法的一种改进算法

针对混合高斯模型背景法的不足,提出了一种将混合高斯模型背景法与三帧差分法相结合的运动目标检测算法。利用三帧法快速检测出变化区域,提高了算法的灵敏度;引入目标是否存在的判决阈值,减低了算法的运算量;对目标区域和背景区域进行不同的混合高斯背景模型的更新策略,提高了模型的收敛速度。实验结果表明,改进的方法与混合高斯模型背景法相比其处理速度快,效果更好,适用于实时视频监控系统。     

改进混合高斯模型的运动目标检测算法

针对传统的混合高斯模型存在无法完整检测运动目标、易将背景显露区检测为前景等问题,提出了一种基于混合高斯模型的运动目标检测的改进算法。通过将混合高斯模型与改进帧差法进行融合,快速区分出背景显露区和运动目标区,从而提取出完整的运动目标。在运动目标由静止缓慢转为运动的情况下,为背景显露区给予较大背景更新速率,消除了背景显露区对运动目标检测的影响。在兼顾混合高斯模型在复杂场景中对噪声处理效果差的基础上,利用背景模型替换的方法来提高算法的稳定性。经过反复实验,结果表明改进后的算法在自适应性、正确率、实时性、实用性等方面有了很大的改进,能够在各种复杂因素存在的情况下正确有效地对运动目标进行检测。     

改进混合高斯模型的运动目标检测算法

针对传统的混合高斯模型存在无法完整检测运动目标、易将背景显露区检测为前景等问题,提出了一种基于混合高斯模型的运动目标检测的改进算法。通过将混合高斯模型与改进帧差法进行融合,快速区分出背景显露区和运动目标区,从而提取出完整的运动目标。在运动目标由静止缓慢转为运动的情况下,为背景显露区给予较大背景更新速率,消除了背景显露区对运动目标检测的影响。在兼顾混合高斯模型在复杂场景中对噪声处理效果差的基础上,利用背景模型替换的方法来提高算法的稳定性。经过反复实验,结果表明改进后的算法在自适应性、正确率、实时性、实用性等方面有了很大的改进,能够在各种复杂因素存在的情况下正确有效地对运动目标进行检测。     

基于DM642的运动目标检测

提出了一种高斯混合背景模型和YUV色度空间相结合的运动目标检测算法。高斯混合模型对背景光线变化有较强的鲁棒性,且对背景中的周期性变化有较好的抑制作用,检测出的目标有较好的连通性;但其对于全局亮度的变化及噪声较为敏感,容易误判。为此选取对亮度变化不敏感的UV分量来进行运动目标检测,然后再和Y分量的高斯混合背景检测进行"与"运算,从而消除高斯模型的误检,最后针对运动目标的影子问题,采用基于垂直投影图的阴影消除算法除去影子。算法在DM642开发板上实现。实验结果表明,该算法能够实时精确地检测出运动目标,且对全局光照变化不敏感。     

背景分割和阴影检测算法研究

在基于视觉检测方式的泊位自动引导系统中,从序列图像中提取泊位飞机,检测泊位飞机的阴影区域,是泊位系统实现的关键。基于高斯混合模型的背景分割算法被广泛应用于静态背景分割中,但是该算法在处理高分辨率图像时,算法实时性显著下降;分割体积大而且运动缓慢的物体时,容易产生"拖尾"现象;不能检测出运动物体的阴影区域。为此提出了基于分层图像的改进高斯混合模型背景分割算法,有效地克服了算法实时性差和"拖尾"现象。在此基础上,提出了基于色彩特征和区域特征相结合的阴影检测算法,利用部分空间约束信息,检测出运动物体的阴影区域。实验结果表明了该算法的有效性和实用性。     

一种新的背景减运动目标检测方法

结合图像亮度归一化和二维交叉熵的思想提出了一种针对光照变化鲁棒性强的运动目标检测算法。该算法对每幅视频帧图像进行亮度归一化处理,采用一种改进的均值滤波法初始化背景并自动进行背景更新,这种改进的方法在初始化期间有目标出现时仍能得到满意的背景图像,利用二维交叉熵的思想自动选取阈值对背景减得到的差分图像进行分割以检测出视频序列中的运动目标区域。实验结果表明：该运动目标检测算法实时有效,且对光照变化具有很强的鲁棒性。     

带有运动目标的复杂背景的提取

针对带有运动目标的复杂场景的背景抽取问题,采用了一种自适应背景建模算法,将运动目标看作是一个对背景图像的随机扰动,利用一段连续的图像序列经过中值滤波来消除运动对象的影响,而且当场景中发生动态变化时可同时对背景图像进行及时地更新。     

一种自然环境下运动物体监测算法

提出了一种自然环境下运动物体的监测算法,该算法基于时空信息融合与特征识别,主要包括背景分析、前景提取、去除阴影、背景更新。其思想是将图像序列均转换为HSV颜色模型,并分析比较各像素点参数在某一时间段内的变化规律,通过判定公式的判定,便可区分出各像素点在某一帧中是属于背景点、运动物体点还是阴影点。该算法针对风、阳光、闪电等自然条件可能带来的影响进行了改进,并能够在光照突变、运动物体静止后融入背景、背景物体转为运动等情况下智能更新背景,适用于自然环境下运动物体的监测。     

基于背景像素值频次最高假设的背景重构算法

背景重构是背景差分法运动检测的关键问题,为了快速地重构背景,提出了一种新的基于"背景点像素值出现频次最高"假设的背景重构算法,即先在观察时间内抽样若干帧作为训练图像序列,并用帧差法对图像进行处理得到大致运动区域,再利用区域生长法得到较完整的运动区域;然后将各抽样帧内运动区域内的点都标记为前景点,而将其余点标记为背景点;最后,统计每个背景点的不同像素值出现的频次,并选出频次最大的灰度值作为该像素点的背景灰度值。实验表明,该算法能快速有效地重构背景。     

基于阴影检测的HSV空间自适应背景模型的车辆追踪检测

在交通监控中，要进行车辆的检测、车流量统计、实时追踪、车速测定等工作，而如何从复杂的背景中分割运动物体是至关重要的一步，目前采用的典型方法是背景相减方法。为了对运动车辆进行准确快速的检测，在研究了目前存在的各种方法之后，提出了一种新的基于阴影检测的HSV空间自适应背景模型的车辆追踪检测算法，并将其应用于运动物体的分割，同时给出了具体的试验结果。该方法之所以不在传统的RGB空间实现，而在HSV空间实现，因为HSV空间可以提供更丰富的颜色信息。运行试验结果表明，该方法准确率高，适应性强，运算速度快，兼具灵活性，能满足实时检测的需要。     

一种新的道路交通背景提取算法及研究

基于视频的道路运动目标检测是智能交通系统的基础部分,目前最常用也最有效的运动目标检测方法是背景差分算法,其中背景提取是背景差分算法的关键一环。提出了一种新的背景提取算法——mode算法。定义了算法比较标准,并据此比较了mode算法以及一些目前流行的背景提取算法在不同车流量情况下的性能优劣。通过比较发现,在低车流量时,中值法提取的背景较好,mode算法次之;在高车流量时,用mode算法提取的背景最好。基于不同算法在不同环境下的性能不同,利用图像频域信息区分车流量大小,实现对背景提取算法的自适应选择,使得实际应用时的背景提取算法更具灵活性和针对性,也进一步提高了背景提取结果的准确度。     

The background primal sketch: An approach for tracking moving objects

In this paper we present an algorithm that integrates spatial and temporal information for the tracking of moving nonrigid objects. In addition, we obtain outlines of the moving objects.Three basic ingredients are employed in the proposed algorithm, namely, the background primal sketch, the threshold, and outlier maps. The background primal sketch is an edge map of the background without moving objects. If the background primal sketch is known, then edges of moving objects can be determined by comparing the edge map of the input image with the background primal sketch. A moving edge point is modeled as an outlier, that is, a pixel with an edge value differing from the background edge value in the background primal sketch by an amount larger than the threshold in the threshold map at the same physical location. The map that contains all the outliers is called the outlier map. In this paper we present techniques based on robust statistics for determining the background primal sketch, the threshold, and outlier maps.In an ideal situation the outlier map would contain the complete outlines of the moving objects. In practice, the outliers do not form closed contours. The final step of the algorithm employs an edge-guided morphological approach to generate closed outlines of the moving objects. The proposed approach has been tested on sequences of moving human blood cells (neutrophil) as well as of human body motion with encouraging results.     

一种有效的运动物体检测方法

为了从监控视频中检测出较高质量的运动物体,文章提出了一种基于帧间差分和背景差分相结合的运动目标的检测方法,并且采用像素级和帧级背景更新相配合的一种背景更新策略。算法求取各像素点处的最大概率灰度,从而提取出连续视频的背景图像;相邻帧则利用帧间差分法以及背景差分法得到两幅运动区域图像;将两幅运动区域图像相与,提取出较为准确的运动目标。实验证明,该算法对光线的变化鲁棒性较高,运算速度较快,且能够及时的响应监控视频的实时变化,提高运动目标的检测质量。     

一种室内环境的运动目标检测混合算法

室内环境中光照、背景等变化虽然不如外界自然环境那么复杂,但是它们对于运动物体的检测也将产生显著影响。归类分析了室内照明条件与背景变化的不同类型,以及它们对于运动目标检测的影响,在此基础上提出一种能够较好适应室内环境变化的运动目标检测混合算法。该算法结合了帧间差分与背景模型算法的优点,同时引入亮度信息进行前序的处理;因此算法针对不同室内环境都具有较高的鲁棒性。通过仿真实验,证明了该算法的实时性与可靠性。