车辆视频检测及阴影去除

针对智能交通系统的车辆检测问题,提出了一种运动车辆检测及阴影去除的方法。采用基于背景差与帧间差的方法来检测运动视频中的车辆,对背景差和帧间差检测出的车辆进行或运算得到运动目标。再对检测出的运动目标进行形态学处理,并结合色彩及阴影统计信息建立阴影模型,去除阴影。实验结果表明,该方法能够快速、准确地在动态视频中分割出运动车辆和阴影。     

基于光度特性和多梯度分析的运动阴影去除法

提出了一种利用光度特性和多梯度分析去除运动阴影的算法。该算法是在准确地检测出运动目标的基础上,首先利用像素邻域内光度特性和连接成分分析法检测出候选阴影区域;其次比较分析候选阴影区域和背景中相应区域的梯度,并结合连接成分分析法去除阴影;最后使用边缘去除法进一步去除半影,并应用形态学运算完善结果。实验结果表明,同传统的阴影去除法相比,该算法有高检测率和高识别率。     

一种改进的适用复杂场景的运动目标检测算法

针对传统运动目标检测算法中存在的“拖影”、光变干扰、阴影等问题,提出了一种改进的更具鲁棒性的检测算法.基于背景边缘检测差并通过两次结合帧间差分法以及颜色偏差用以消除噪声和减低运动目标边缘断裂现象,从而获取运动目标的完整轮廓,同时采用双向模板填充算法进行运动目标的分割,最后通过数学形态学滤波和连通域分析来进一步去除噪声和填补空洞,获得完整理想的运动目标区域.实验结果证明,相对于传统的帧差与背景差分检测算法,能够有效地克服阴影和光扰所产生的噪声问题,可以在复杂背景下准确地检测分割出运动目标,并满足实时性要求.     

基于YUV颜色空间与局部纹理的运动阴影去除

提出一种视频监控中运动目标的运动阴影去除算法。该方法使用混合高斯背景建模初步得到运动目标区域,在此基础上利用阴影区域的色度、亮度信息与背景的差异,与局部二值纹理模式LBP（Local Binary Pattern）思想相或的方法来消除运动阴影,接着使用形态学的方法去除像素突变的边缘部分。实验结果表明,该方法可以很好地保留前景图像。     

结合RGB颜色特征和纹理特征的消影算法

摘　要 在视频监控的运动检测中,运动阴影常被误认为视频对象。为了解决这个问题,提出了一种结合RGB颜色特征和纹理特征的运动阴影检测方法。首先,利用背景差和多帧差结合的方法,获得包含运动阴影的前景分割,在此基础上利用阴影区域中RGB特征的相似性(其RGB向量夹角较小)与局部二值纹理模式(Local Binary Pattern,LBP)相结合,进行阴影检测与去除。然后使用形态学的方法去除像素突变的边缘部分。实验表明,该方法在运动目标检测及跟踪方面取得了较好的效果,与其他消影算法比起来,速度较快,可应用于运动目标检测分割及跟踪等领域。     

视频监控系统中运动目标的检测和阴影抑制

提出了一种室内静止摄像机条件下的运动目标检测和阴影抑制方法。该方法采用一种自适应的背景估计方法来实时更新背景,用基于概率分类法检测运动目标,并在联合HMMD色彩空间和光度特征来抑制阴影之后,用Sobel边缘检测来修正运动目标。实验结果表明,该方法能够有效地检测运动目标和抑制阴影。     

视频监控系统中运动目标检测的阴影去除方法

在分析了阴影产生的原因及视觉特性的基础上，针对固定场景的运动目标检测问题，提出了一种具有实际应用价值的阴影检测与去除方法。该方法通过背景建模和背景差分方法分割出运动目标及其可能存在的阴影，采用光照评估方法判断阴影是否存在，进而运用多梯度分析和二值图像的快速聚类算法检测出阴影，去除阴影并分割运动目标。实验验证了该方法的有效性。     

基于局部纹理不变性的运动阴影去除算法

视频序列运动目标检测过程中,运动目标往往会连同其投射阴影一起被检测为前景,这不利于对运动目标的进一步分类、识别等高层次视觉处理。为了提高运动目标检测的准确性,提出利用局部纹理不变性去除运动目标阴影。首先根据阴影的亮度色度属性分割出疑似阴影区域,然后在疑似阴影区域采用增强的局部纹理描述算子(ILT)提取纹理特征,利用背景在阴影覆盖前后的纹理相似性来去除阴影,最后结合阴影的空间几何属性优化运动目标检测结果。实验结果表明该算法可以有效去除阴影,并且具有较好的实时性。     

基于小波边缘提取的混合运动目标检测算法

常用的运动目标检测算法易受到噪声、阴影等因素的影响,检测出来的运动目标边缘比较模糊,本文因此提出 一种基于小波边缘提取的运动目标检测算法,将小波边缘检测与帧间差分法和背景差分法相结合来检测运动目标,采用 形态学滤波和连通性分析得到准确的运动目标。实验表明,该算法可以准确的将运动目标从视频图像序列中检测出来。     

基于视频图像的运动目标阴影去除方法

针对运动目标检测中阴影的存在会导致目标形状扭曲、多个目标之间出现粘连等问题,提出一种基于视频图像的阴影去除方法。该方法在分析阴影产生机理的基础上,根据各像素点YUV空间上的像素模型,计算出带有阴影的目标相对于背景的失真系数,再根据设定的阈值区分出目标的实际轮廓和阴影区域,从而将目标阴影去除。实验结果表明,该方法能够快速检测和去除目标阴影,准确反映出目标的实际轮廓,并能够有效解决目标粘连问题。     

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。     

基于边缘信息及光照方向的阴影检测算法

提出一种基于边缘信息及光照方向的阴影检测算法。该算法通过将HSV和RGB彩色空间的阴影特征相结合进行初步检测,从初步检测得到的阴影中估计光照方向,运用基于边缘信息阴影检测算法检测在光照方向角阈值范围内的阴影区域,实现对运动目标阴影的准确检测,为运动目标后续处理排除阴影干扰。实验结果表明,该算法能较好地抑制噪声,阴影检测效果比传统算法好。     

基于混合高斯模型的运动阴影抑制算法

复杂场景的背景建模、运动目标检测、运动目标所投射阴影的检测与抑制在智能监控、机器人视觉、视频会议等领域有着广泛的应用。在运动前景检测阶段,给出了一种改进的混合高斯算法进行场景的背景建模,根据各点像素值出现的混乱程度采取不同的高斯函数参数更新机制,缓解了混合高斯算法计算量大的问题。在运动目标的阴影检测与抑制中,提出了一种基于混合高斯的阴影抑制算法,该算法先利用阴影在HSV颜色空间的特点,判断被检测为运动前景的像素是否为疑似阴影,然后用混合高斯阴影模型对所有疑似阴影值进行聚类,进一步完成阴影抑制。仿真结果表明：该算法可更有效地抑制阴影对运动目标检测的影响,并具有较强的实时性。     

基于移动区域的快速车辆检测

提出一种快速的移动车辆目标识别新方法。该方法由移动区域检测、阴影检测和边缘检测三部分组成。首先,采用自适应背景更新的方法在图像中快速检测出移动区域;然后,以此为基础建立阴影的粗模型,阴影检测时只对该区域内的图像采用基于HSV颜色空间的方法进行分析处理;最后,对移动区域和阴影区域进行边缘检测,从移动区域中去除阴影区域,从而准确区分真实车辆和阴影。实验表明,该方法有效地提高了车辆检测效率,能满足实时性要求。     

基于单高斯背景模型运动目标检测方法的改进

针对背景减除法应用于运动目标检测中的背景模型更新和阴影消除问题,提出了一种改进的单高斯背景模型估计算法和快速的阴影消除方法。实验结果表明,算法在有效去除阴影的同时能够较好地提取运动目标,为后续的人体识别、行为分析等工作奠定了良好的基础。     

基于边缘帧差和高斯混合模型的行人目标检测*

针对高斯混合模型存在背景更新收敛性差,易受环境噪声和光照突变影响,易产生虚假目标等问题,提出一种基于高斯混合模型的改进算法,用于视频中行人目标检测。通过将帧差法引入高斯混合模型,快速区分背景区域和运动目标区域,从而提取前景中完整的行人目标。结合视频帧边缘和边缘帧差信息,采用多种模型更新率,提高高斯混合模型对复杂背景的自适应性和快速收敛性,从而消除环境噪声和光照突变的影响,避免检测出虚假目标。实验结果表明,相比较传统高斯混合模型,该方法可以有效去除噪声和光照的干扰,收敛性更佳,行人检测效果更鲁棒。     

联合两种颜色空间的阴影检测算法

在视频监控的运动检测中,由于光照、风吹等影响,运动阴影常常被误认为运动对象。为了有效解决动态背景下运动目标中存在的阴影问题,提出了一种归一化的RGB颜色空间和HSV颜色空间相结合的阴影消除方法。该方法首先在归一化RGB颜色空间下用背景减除法得到运动目标,然后在HSV空间下对阴影进行检测和消除,从而得到真实运动目标。实验结果证实：该方法在运动目标检测及跟踪方面取得了较好的效果,对动态背景的视频,能准确、实时地检测出阴影并进行消除。     

Moving shadow detection and removal for traffic sequences

Segmentation of moving objects in a video sequence is a basic task for application of computer vision. However, shadows extracted along with the objects can result in large errors in object localization and recognition. In this paper, we propose a method of moving shadow detection based on edge information, which can effectively detect the cast shadow of a moving vehicle in a traffic scene. Having confirmed shadows existing in a figure, we execute the shadow removal algorithm proposed in this paper to segment the shadow from the foreground. The shadow eliminating algorithm removes the boundary of the cast shadow and preserves object edges firstly; secondly, it reconstructs coarse object shapes based on the edge information of objects; and finally, it extracts the cast shadow by subtracting the moving object from the change detection mask and performs further processing. The proposed method has been further tested on images taken under different shadow orientations, vehicle colors and vehicle sizes, and the results have revealed that shadows can be successfully eliminated and thus good video segmentation can be obtained.