基于机器视觉的铲斗目标检测

为实现挖掘机器人在挖掘工作中能够对挖掘轨迹进行自我认知,结合了机器视觉中比较常见的运动目标检测算法-帧差法和背景差分法,对挖掘机铲斗目标检测展开了研究。对帧差法中的二帧差法和三帧差法以及背景差分法中的混合高斯建模法进行了研究,基于这些算法对铲斗目标进行检测。基于Open CV进行程序设计,对挖掘机模型的铲斗进行检测,验证算法的可行性。通过实验结果对比分析,结合三帧差法以及高斯混合建模法能够更好地实现铲斗目标检测。     

基于图像融合的运动目标检测与跟踪方法研究

从运动背景中检测与跟踪运动目标是计算机视觉研究领域的热点,根据帧差法的基本原理,提出了一种针对复杂背景的运动目标检测方法.首先通过设定阈值滤除序列图像中的噪声,然后对三帧算法进行改进,即利用序列中多帧图像融合运动信息,并确定参考区域,通过对原图像进行回扫描,最终提取出完整的运动目标轮廓.最后采用一种运动物体跟踪算法,实现了运动物体和静止物体的识别,克服了以往算法中的误检和空洞问题,实验结果表明,该方法能够满足实时性的要求.     

背景运动补偿和假设检验的目标检测算法

根据背景与目标具有不同的运动特性这一事实,提出一种基于背景运动补偿和假设检验的目标检测算法。首先,采用特征点对应法求相邻帧间的运动;然后,用最小二乘法计算出摄像机仿射运动参数,利用此参数进行帧间背景运动补偿后得到稳定的背景;最后,用假设检验方法检测补偿后的帧差图像,经过简单的形态学和连通区域处理后检测出运动目标。仿真表明,该运动补偿算法能有效消除背景突出目标,补偿前后的差分图像信噪比提高了14.71 dB。该算法计算量小,可以成为一种通用的实时目标检测算法。     

基于帧差法的夜间城市道路车辆检测

由于夜间城市道路场景复杂,且照度低和光照强度变化大,传统的背景差分法和帧差法稳定性差,误差大是夜间车俩检测需解决的一大难题.为此本文设计了一种相邻帧差和隔帧帧差相结合的累积帧差法来检测夜间运动车辆;运用梯度滤波的图像预处理方式,消除了车灯的路面反光;提出了一种"连通域阀值"去噪法,消除了图像剩余噪声,检测出运动车辆;建立了一种简单的车型分类法,实现了车型的自动分类.实验结果表明,该算法具有很强的鲁棒性,确保了视频车辆检测的快速性和准确性.     

低分辨率图像的移动物体识别技术研究

针对运动物体检测中的准确性问题,在传统相邻帧差法的基础上增加了多帧叠加的处理技术,通过对捕获图像的模糊、颜色分离等处理,运用统计运动点坐标的平均值的方法提出了一种新的多帧叠加运动方式检测算法.实验证明这一算法较传统算法在保持了原有高效性,同时提高准确性、通用性.     

基于Horn-Schunck光流法的运动目标检测的研究

运动目标检测具有广泛的理论及现实意义,光流法是运动目标检测的重要方法之一。对基于Horn-Schunck光流法的运动目标检测方法进行了分析和仿真,计算出了相邻帧图像的光流并进行了运动目标的检测。通过实验证明,基于Horn-Schunck光流法的运动检测方法能够有效地检测运动目标。     

基于背景差法和帧间差法的运动目标检测方法

影响夜间监视系统稳定性的主要因素之一是光线的变化，背景更新方法则是克服光线影响的有效方法。本文在介绍了各种现有方法的基础上，提出了一种基于背景差法和帧间差法相结合的运动目标检测和自适应背景更新方法。实验证明，这种方法能够很好地克服光线的影响，提高报警系统的稳定性。     

基于LPT和改进背景减算法的运动目标检测方法

生物视觉系统具有对运动目标敏感、分辨率调节迅速等特点,能准确无误地识别目标。对数极坐标变换(log polar transformation,LPT)是生物视觉的基础。对已有的传统运动目标检测算法进行了比较分析,并在仿生视觉认知模型基础上提出了一种基于对数极坐标变换和改进背景减算法的运动目标检测方法。该方法使用混合高斯背景建模,通过对对数极坐标变换后的图像进行柔和帧差法和背景建模的背景减算法,实现对运动目标的检测。通过实验分析,结果表明该方法可有效实现目标的准确快速检测定位和跟踪。     

基于背景差和多层背景的目标持续检测研究

传统的目标检测方法只能检测出运动的前景目标,而进入监控场景后停止或移动缓慢的目标将被更新到背景里.文章提出了一种基于背景差和多层背景模型的前景目标持续检测方法,将背景分为动态背景和参考背景两层,采用改进的Surendra算法快速提取背景;曰标检测中,采用动态背景检测运动前景,通过动态背景与参考背景之差检测出静止前景.对...     

基于单高斯背景模型和双差分融合的运动目标检测算法

提出了一种新的运动目标检测算法,实现了只对帧图中感兴趣的运动目标区域进行背景匹配更新,能够较精确地检测出运动目标。该算法首先提出了双差分模型确定运动目标最大分布的可能区域,然后融合单高斯背景模型对此区域进行背景重建,再运用背景差分得到精确前景目标。仿真试验结果表明,该方法降低了运算的复杂程度,提高了检测精度,具有很好的鲁棒性。     

工字形焊件射线图像中微小缺陷的分割及提取

采用X射线实时成像系统对工字形激光焊件进行检测,得到了含有微小缺陷的低对比度射线检测图像。在分析图像灰度分布特征的基础上,采用数学形态学方法进行背景模拟,并结合背景相减、自动阈值算法提取出了检测图像中的微小缺陷。在结构元尺寸的确定方面,提出了线灰度分布曲线拟合并相减,再搜索相减结果最大值的方法。试验结果表明:该方法能很好地实现检测图像中微小缺陷的分割,且缺陷分割保真度高,算法适应性强。该方法只对感兴趣的区域进行处理,显著提高了图像处理的速度。     

基于状态分割的运动目标实时跟踪

针对基于云台的移动式摄像头视频监控系统,为准确、实时地对运动目标实施检测、跟踪,提出了一种基于状态分割思想的运动目标实时跟踪方法。该方法将运动目标检测跟踪过程按摄像头的运动状态分为静止、运动2个阶段。在摄像头静止阶段,采用基于混合高斯模型的背景差法检测运动目标,提取目标的颜色特征信息;在摄像头运动阶段,采用Camshift算法对运动目标进行跟踪。开发了基于 OpenCV 开源库的算法程序。实验结果表明,在目标颜色特征显著的情况下,该方法实现了移动式摄像头对运动目标的精确跟踪,并具有较好的鲁棒性和实时性。      

基于阴影抑制的运动目标有效分割方法

针对背景差分法常将运动阴影误检测为前景目标的问题,提出了智能交通系统中一种基于阴影抑制的运动目标分割方法。在RGB空间通过可变阈值背景差分提取了运动目标和阴影;在HSI（Hue,Saturation,Intensity）空间,分别对黑色和非黑色运动目标采用不同的阴影检测条件进行了阴影抑制;结合形态学滤波和面积多尺度阈值滤波去除了噪声影响。实验结果表明本文提出的方法能有效去除阴影及噪声影响,解决目标断裂及黑色运动目标丢失问题,提高检测质量。     

基于LabVIEW图像识别的物体外观实时分类研究

采用了实时图像与背景图像相减的方法提取物体图像,有效的提高了图像的识别效率。通过对物体轮廓坐标重建的方法提取了边界坐标,及根据型心与边界坐标的欧式距离峰值或峰谷的个数对物体进行了分类识别。通过LabVIEW进行编程,并对圆形、三角形和矩形物体进行实验,结果表明该方法能有效的对物体外观重建,并进行分类。     

动态特征块匹配的背景更新在运动检测的应用

为解决传统监控设备视场小、非智能等缺陷,结合全景成像技术和计算机视觉技术,建立无人环境下外来入侵自动检测系统,从而实现了全景监控视场下运动目标快速准确的检测及跟踪。该技术关键在于如何在复杂的动态背景下有效地提取运动目标,为此提出一种基于动态特征块匹配的自适应背景更新算法。在采用帧间差分与背景差分融合算法检测到目标的基础上,利用目标的矩信息进行跟踪,避免了全景视觉下颜色及轮廓特征缺失的弊端。根据目标的轮廓及位置提取特征块,将视频序列的每一帧图像与初始背景图像进行特征块区域的局部匹配,首先通过分析特征块图像的颜色特征,构建基于区间统计的RGB颜色直方图,提取颜色特征序列。然后通过计算序列相关性来判断该区域是否需要背景更新,从而降低对单个像素更新的冗余计算。实验表明,该更新算法具有较强的鲁棒性和可行性,能够有效提高监控系统的稳定性。     

雨夜条件下的红外可见光视频融合目标跟踪

针对雨夜条件下目标外观特性衰退,造成目标搜索与跟踪过程中难以适应混杂背景干扰及雨滴突变干扰的问题,提出了一种基于背景抑制的红外可见光融合目标跟踪方法。该方法考虑了目标跟踪时间和空间两方面的外观分布特性,采用了多通道成像数据对前景目标进行特征表示,有效抑制了夜间条件下的混杂背景干扰。在目标模型更新过程中,本文通过分析雨滴突变造成的目标表示变化规律,采用突变检测模型,降低了雨滴突变对模型更新的干扰。实验采用了真实环境采集的雨夜条件的红外可见光视频,实验结果说明,本文方法优于现有目标跟踪方法,能够有效提高雨夜条件下的目标跟踪精度。     

改进的基于局部联合特征的运动目标检测方法

背景减除是机器视觉中运动目标检测最常用的方法。针对复杂场景中传统单特征算法检测精度不高、多特征检测算法实时性较差的问题,提出了一种改进的联合纹理、颜色和位置特征的局部联合特征,并对局部联合特征混合高斯建模,采用多重判定进行学习和更新的目标检测算法。为更好地抵抗阴影和光照变化影响并减少计算量,改进了LBP算子,Lab局部颜色特征在处理纹理缺乏情况时,有更好的效果,而位置特征能减缓场景抖动等噪声影响。实验结果表明,该算法能准确地检测上述影响下的目标,检测效果在多种数据集上表现出更高的鲁棒性和精确性并且基本达到实时性要求。