基于虚拟窗口的自适应车流量检测应用研究

基于视频交通检测中实时性和准确性要求,研究了三帧差分、背景差分及动态阈值等算法,提出增加虚拟窗口的方法,使整个车流量检测算法只针对有效序列图像信息进行处理.该方法通过排除差异大图像求均值,快速初始化虚拟窗口背景模型,在检测窗口内使用三帧差分和动态阈值准确定位运动车辆目标,实时更新背景后,根据背景差分法得到的窗口图像信息统计车流情况.实验结果表明,该方法可以有效应用于基于视频的实时车流量检测中.     

视频序列中自适应背景的运动目标提取

在视频序列的运动目标实时检测中常用的方法是背景差分法,但因背景图像未随监视场景光照变化及时更新而限制了本方法的适应性.对此,本文首先提出了一种自适应背景更新方法,得到差分二值图像;然后引入散布函数准则计算出差分图像的最佳分割阈值,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散布函数准则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.     

基于概率算法自适应更新背景的运动车辆检测

交通流量检测是智能交通系统中的一个重要研究方向和热点问题,基于视频的车辆检测是交通流量采集分析的核心技术,它为交通流量参数的实时获取提供了可能。为实现在复杂交通视频场景中实时准确检测各类的运动车辆,在研究传统背景差分算法的缺点的工作基础上,提出一个自适应的贝叶斯概率背景检测算法,进而完成了较准确的运动车辆分类检测。实验结果表明该方法具有高效实时的特点,能够较准确地实现复杂交通路面的背景提取和运动车辆的检测,具有良好的鲁棒性。     

复杂动态环境下运动车辆的识别方法

针对目前车辆识别方法在动态变化的复杂环境中车辆识别正确率低的问题,提出了一种基于动态自适应阈值的车辆识别方法。该方法首先利用基于熵权法的图像质量量化算法计算交通流视频中背景图像的质量值;然后通过对样本交通流设置的车辆检测阈值和基于该阈值识别车辆的正确率进行多项式拟合,获得该样本的车辆最佳检测阈值;最后对样本背景图像的质量值和样本车辆的最佳检测阈值进行高斯拟合,得到自适应阈值计算模型。该方法采用高斯混合模型实时获取交通流视频中的背景图像,计算背景图像的质量值,并输入到自适应阈值计算模型得到实时的车辆最佳检测阈值以识别车辆。实验和理论分析表明,该方法能根据动态变化的环境实时更新车辆检测阈值,有效地提高了车辆识别的正确率。     

复杂背景下运动目标的改进实时检测算法

针对复杂背景下运动目标检测难度大、算法实时性差的问题,提出了一种改进的运动目标实时检测算法.融合背景差分、帧间差分和边缘检测的信息,划定目标区域提取完整的目标轮廓.针对图像光照突变的问题,改进了运行期均值背景更新策略,在背景更新时同步更新前景分割阈值.使用复杂背景下毛细管粘度计液位检测视频验证算法证明,边缘融合方法和实时阈值更新的背景更新算法能够克服背景复杂、光照变化、运动干扰等带来的影响,提高运动目标检测精度,实现实时检测.     

利用改进的背景模型实现车辆检测

为解决基于背景差分的车辆检测办法易受交通状况影响的问题,首先建立基于区间分布的自适应背景模型,然后利用改进的背景更新算法对建立的背景模型选择性更新,最后结合阈值分割和形态学处理实现运动车辆检测.实验结果表明,该算法在交通堵塞或临时停车等复杂交通环境中有很好的背景提取和更新效果.与经典的算法相比,该车辆检测算法在实时性和准确性方面都有所提高.     

改进的基于区域的运动目标分割方法

针对视频监控系统，提出了一种改进的基于区域的运动目标分割方法。与传统方法相比，在运动检测阶段，结合时域差分和背景差分进行运动检测。并通过自适应方法进行背景更新；在差分图像二值化时，采用自适应阈值方法来代替传统的手工确定阈值法；对于区域分割，使用基于加权平方欧式距离的均值聚类算法代特传统的均值聚类算法。实验结果表明该改进方法比传统方法具有更好的实时性、鲁棒性和有效性。     

背景估计与运动目标检测跟踪

基于视频的自动目标检测和跟踪是计算机视觉中一个重要的研究领域,特别是基于视频的智能车辆监控系统中的运动车辆的检测和跟踪。提出一种自适应的背景估计方法来实时获得当前背景图像,从而分割出运动物体。为了准确地定位运动车辆的区域,采用差分图像投影和边缘投影相结合的方法来定位车体,同时利用双向加权联合图匹配方法对运动车辆区域进行跟踪,即将对运动车辆区域跟踪问题转化为搜索具有最大权的联合图的问题。该算法不仅能实时地定位和跟踪直道上运动的车辆,同时也能实时地定位和跟踪弯道上运动的车辆,从实验结果看,提出的背景更新算法简单,并且运动车辆区域的定位具有很好的鲁棒性,从统计的检测率和运行时间来看,该算法具有很好的检测效果,同时也能满足基于视频的智能交通监控系统的需要。     

一种基于帧间差分和光流技术结合的运动车辆检测和跟踪新算法

为了改进智能交通中的运动车辆检测和跟踪方法,提出一种基于改进的帧间差分和光流技术结合的运动车辆检测和跟踪的新方法。先用帧间差分法检测出运动物体的运动区域,再计算差值图中不为零处的光流,然后利用其光流场来实现运动目标的跟踪。为了减少计算量,提出一种基于最优估计的点匹配技术和光流均匀采样策略的光流场计算方法,并通过对灰度化后的光流场进行自适应阈值分割、形态学滤波等处理,实现了实时的运动目标检测和跟踪。     

基于分解的三维Otsu运动车辆检测方法

在户外交通环境下,采用传统目标检测方法容易产生大量噪声,传统三维最大类间方差(Otsu)方法能消除噪声,但是不能满足实时性。为此,提出一种基于分解的三维Otsu运动车辆检测方法。通过隔帧对称差分法得到2个差分图像,对这2个差分图像采用基于分解的三维Otsu法进行阈值分割,对这2个二值图像在使用数学形态学滤波后,求交集得到运动车辆目标。实验结果表明,该方法在视频帧出现不规则抖动的情况下,能实时和精确地检测出运动车辆。     

一种改进的复杂背景下视频车辆检测技术

视频运动目标检测是数字视频处理、分析应用的一个重要领域,其目的是把作为一个整体的视频图像序列,通过一定的方法挖掘出具有意义的运动实体数据。该文对传统阈值法的缺陷进行分析,采用改进的二维阈值结合遗传的方法提高求解寻优的速度和效率,并通过帧差结合背景补偿的方式,提出一种适合于在复杂背景环境下实时检测运动车辆的新方法。实验结果表明,该方法有较强的环境适应能力,能够很好地检测出运动车辆。     

一种改进的运动目标检测和阴影消除算法

提出一种改进的运动目标检测算法,以准确检测不同光照条件下的运动目标。针对前景检测时出现的阴影,提出基于边缘信息的阴影消除算法。该算法与阴影方向无关,能去除目标各方向的大部分阴影,为视频监控系统的后续高级处理排除了阴影干扰。在配置为 2.0 GHz的P4计算机上运行,速度约为20帧/s。实验结果表明了算法的实时性、可靠性和准确性较好。     

动态背景下空时特性均显著的运动目标检测

从序列图像中提取变化区域是运动检测的主要作用,动态背景的干扰严重影响检测结果,使得有效性运动检测成为一项困难工作。受静态图像显著性检测启发,提出了一种新的运动目标检测方法,采用自底向上与自顶向下的视觉计算模型相结合的方式获取图像的空时显著性：先检测出视频序列中的空间显著性,在其基础上加入时间维度,利用改进的三帧差分算法获取具有运动目标的时间显著性,将显著性目标的检测视角由静态图像转换为空时性均显著的运动目标。实验和分析结果表明：新方法在摄像机晃动等动态背景中能较准确检测出空时均显著的运动目标,具有较高的鲁棒性。     

A consensus-based method for tracking: Modelling background scenario and foreground appearance

Modelling of the background (“uninteresting parts of the scene”), and of the foreground, play important roles in the tasks of visual detection and tracking of objects. This paper presents an effective and adaptive background modelling method for detecting foreground objects in both static and dynamic scenes. The proposed method computes SAmple CONsensus (SACON) of the background samples and estimates a statistical model of the background, per pixel. SACON exploits both color and motion information to detect foreground objects. SACON can deal with complex background scenarios including nonstationary scenes (such as moving trees, rain, and fountains), moved/inserted background objects, slowly moving foreground objects, illumination changes etc.However, it is one thing to detect objects that are not likely to be part of the background; it is another task to track those objects. Sample consensus is again utilized to model the appearance of foreground objects to facilitate tracking. This appearance model is employed to segment and track people through occlusions. Experimental results from several video sequences validate the effectiveness of the proposed method.     

基于多模式均值时空模型的目标融合检测方法

针对复杂环境下的目标检测问题,提出了一种基于背景模型的融合检测方法。首先在多模式均值模型的基础上,构造多模式均值时空模型,结合像素在时空域上的分布信息,改善了模型对非平稳场景较为敏感的缺点,给出了模型更新方法和前景检测方法;然后利用该模型对可见光和红外图像序列分别进行建模和前景检测,给出了一种基于置信度的目标融合检测方法,利用双传感器信息提高检测精度和可靠性。实验结果验证了本文方法的有效性。     

一种基于改进码本的车辆检测与跟踪方法

为了解决固定摄像机下车辆跟踪过程中阴影对检测的影响,提出一种改进型码本模型的车辆检测方法。该方法直接对YUV空间的车辆序列进行处理,将采样到的背景值聚类成码本,对于新输入的像素值与其对应位置的码本作比较判断,提取出前景区域。车辆跟踪中采用Kalman预测的方法来处理车辆遮挡问题。实验结果表明,本算法可以从复杂交通场景图像序列中快速有效地检测出运动目标,能较好地处理阴影、高亮、遮挡和背景变化等问题,且计算复杂度小,能满足实时跟踪的需要。     

交通场景中运动分割问题的研究

提出了一种在交通场景中鲁棒地检测运动车辆的方法，该方法采用改进的加权平均法进行实时背景学习，并根据统计量动态地计算出运动分割的阈值，以得到交通场景中的运动物体。与以往的方法相比，该方法在检测的成功率以及运算速度上均具有明显的优势。     

颜色和纹理特征的运动目标检测

针对复杂场景中运动目标检测这一难题,提出利用RGB颜色特征和尺度不变局部三元模式的运动目标检测算法。利用时域中值法得到估算背景图像并快速初始化背景模型。通过颜色特征、纹理特征相似性度量,融合得出背景概率网络,通过侧抑制滤波提高对比度分类出前景与背景像素,前景像素进一步进行阴影检测,将阴影点归为背景点,但不用于模型更新。将算法与GMM、SC-SOBS、SUBSENS算法在变化检测数据库中进行对比验证。实验表明,新算法在满足实时性的基础上,对动态背景,阴影和相机抖动等有一定的鲁棒性。     

基于DM642的实时运动目标检测系统设计与实现

针对图像数据量大,运动目标检测算法复杂,而在实际应用中又要求实时对图像处理等特点,以DSP器件TMS320DM642为核心搭建了实时运动目标检测系统的硬件平台。为了有效检测出运动目标,提出一种将基于混合高斯模型的背景差分法和三帧差分法相结合的算法。实验表明,该系统能有效检测出运动目标,且满足实时性要求。     

基于分块和改进粒子滤波的运动目标检测方法

为了快速准确地检测到视频场景中的运动目标,提出了一种基于分块和改进的粒子滤波的运动目标检测方 法。首先,对视频图像序列分块并提取每个图像块的颜色特征;然后,用改进的粒子滤波对每个图像块进行操作,计算 出每个块对应的粒子的权重;最后,根据粒子的平均权重建立背景模型,提取运动目标。将分块和粒子滤波相结合,能 够在不降低检测精度的基础上,大幅减少算法的计算量,提高算法的执行速度。实验结果表明,该方法具有较好的鲁 棒性、杭噪性和抗光照变化能力,提取的运动目标更加完整。