基于高斯运动模型的车辆检测

针对交通视频监控中常见的双向车道场景,改进得到一种更精确的高斯运动模型,将本不属于同一分布的双向运动车辆对应像素通过变量变换,转换成同一分布。再使用高斯运动模型分别对运动车辆和运动背景建模,通过贝叶斯判定检测出运动车辆。实验结果表明,此方法在单向车道和双向车道的场景中均具有更高的车辆检测准确率,其中在双向车道场景中,检测效果大幅提升。     

基于道路的运动车辆检测

基于图像的运动车辆检测是智能交通系统中一个重要而又困难的问题，它通常受到光照、路边摇晃树木、以及各种恶劣天气等的影响。提出了一种基于道路的车辆检测方法，在道路的入口处只利用背景差，对非入口处运动背景和不同道路上运动车辆的运动向量分别进行高斯建模，并利用贝叶斯准则和多帧信息来检测出运动车辆和运动背景。实验结果显示该方法取得了很好的效果。     

基于改进混合高斯背景模型的车辆检测算法研究

传统的混合高斯背景模型对光照突变十分敏感,对运动车辆检测效果不理想。为此,本文提出了一种基于改进混合高斯背景模型的车辆检测算法,利用不匹配像素来消除光照突变对背景建模产生的影响。实验结果表明,与传统的混合高斯背景模型算法相比,在光照突变明显的条件下,改进后的算法更能有效检测出运动车辆。     

基于车底阴影的车前障碍物检测

基于计算机视觉的道路车辆检测是智能车辆导航的核心问题,实时准确地检测前方运动车辆的位置信息是车辆安全驾驶的前提。文中采用车底阴影的前方运动车辆检测算法,在基于车道线检测的基础上,通过车底阴影检测,实时准确地检测前方车辆。该算法通过使用Otsu阈值分割提取出车道线,生成AOI区域,再进行两次自适应阈值分割提取车底与路面的交线,从而检测出前方运动车辆。经过在高速公路上对运动车辆检测实验证明,该算法基本满足车辆安全驾驶的需求,并能准确实时地检测出前方运动车辆,进而减少了交通事故的发生。     

基于帧差法的运动车辆阴影去除算法

在视频交通车辆目标检测中,阴影问题是影响其检测准确性的关键问题之一.为了解决这个问题,提出了一种结合单模高斯模型和帧差法的运动目标阴影去除方法.首先通过单模高斯模型背景建模获取前景包括阴影在内的目标图像,再结合帧差法去除阴影.实验结果证明,该方法得到的车辆目标比较完整,并较好地去除了运动车辆阴影.     

基于视频的智能交通系统的研究

目前，视频序列中的车辆运动检测是图像处理领域中最重要的研究课题之一。它的核心内容是应用图像处理技术从包含车辆信息的图像序列中检测车辆、提取车辆特征和状态、并预测和跟踪车辆的轨迹。车辆的运动检测系统一般包含运动检测、车辆提取、车辆跟踪。从这三个方面回顾车辆运动检测技术目前的发展水平和常用的处理方法，分析研究难点和未来的发展趋势。     

基于不同安全间距的元胞自动机交通流模型的研究

文中在NaSch模型的基础上提出一个改进的元胞自动机模型来模拟周期性边界条件下高速公路上车流运动。考虑到不同速度应有不同的安全车间距、反应时间和减速距离,根据车辆与前方紧邻车辆之间的间距和车辆的速度来确定该车的运动,这样就可以间接地反映出前方紧邻车辆对当前车辆的影响。通过引入不同的安全间距可以描述不同速度运动的车辆接近前方车辆时的减速行为。由于不同的安全车间距的引入,并且考虑到速度的差异,因而可以较好地描述交通流中的不同现象,可以对车辆微观运动进行合理地描述。     

基于背景模型的车辆目标检测

为了实现对交通车辆快速准确地统计,文中提出一种自适应权值的背景更新方法以适应道路环境的复杂变化.首先在多个通道建立单高斯背景统计模型,然后利用场景中像素的概率分布实现对运动区域的准确检测,最后根据检测结果实现对交通流量的统计.实验结果表明:该方法能够对运动车辆进行快速准确地检测和统计,并对场景的光照变化等影响具有较高的鲁棒性.     

一种智能物联网交通管理系统中静止车辆检测新方法

在智能物联网交通管理系统中,车辆检测是关键技术之一。以往检测车辆的方法都是基于运动差分的思想,只能检测出运动的车辆。文章提出一种检测静止的、即在视频序列中车辆位置保持不变车辆的方法,使用一个滑动窗扫描道路区域。实验表明,该方法具有较好的检测效果。     

改进的高斯背景建模在车辆检测中的应用

研究实时环境下运动车辆的检测算法,针对存在渐变及重复性运动的车辆运动背景采用改进的高斯背景建模法,对背景进行更新,将所得的当前背景与前一帧视频图像进行相减,得到当前时刻车辆的运动图像。将所得图像进行数学形态学去噪处理得到较为理想的车辆检测效果图,并根据处理后的图像判断车辆是否运动以及其运动轨迹。实验证明该方法能去除噪声对图像产生的影响,对判断某一时刻车辆是否运动行之有效。     

针对运动摄像机的快速低存储开销运动目标检测算法

摄像机的运动会导致整幅图像的运动,使得此情形下的目标检测极具挑战性。针对该问题提出一种快速低存储开销检测算法。首先,利用一种快速低存储开销配准方法计算相邻两帧的单应变换矩阵。而后,使用单应变换矩阵进行相邻两帧之间的配准,并由帧间差分获取帧间运动信息。最后,采用积累运动信息的方式构造不断更新的运动图像,通过对此运动图像进行阈值分割分离出最终的运动目标。在多个不同视频序列下的实验表明该算法能够有效地从嘈杂的场景中检测出运动目标。此外,与先前算法相比,该算法检测性能更好,且显著地降低了存储开销与计算时间开销。对于480360的序列而言,该算法需要的存储开销仅为825 kByte,且运算速度达到16帧/m。     

运动目标检测与跟踪算法的改进与实现

提出了一种对视频图像中运动目标检测并进行实时跟踪的新方法。该方法利用基于背景建模的背景差分与改进的带时间戳的运动历史图像(tMHI)的目标分割相结合的算法对运动目标进行检测,在获取到视频流中的运动目标轮廓后使用基于tMHI的运动梯度算法来实现运动目标的跟踪。实验结果表明,该方法能够对指定区域内的目标进行有效识别和准确跟踪,并且弥补了运动目标暂时性停止时无法检测出来的不足。     

基于运动矢量场的运动目标区域检测

基于稀疏运动矢量场,提出一种动态背景下的运动 目标区域检测方法。根据运动矢量场特性分析进行全局运动 参数估计和全局运动补偿,实现动态场景中的背景校正;利用最大树数据结构, 基于运动矢量补偿误差分级表示视频帧中 运动基本一致的连通区域,进行运动区域初始分类;根据运动目标在空间上的连通性和运动 一致性的特点,选择区域相似性 度量准则,进行区域合并和滤波,将具有相似运动的连通区域合并,实现运动目标区域检测 。将检测出的运动目标区域作为 运动矢量外点反过来又应用于全局运动参数估计过程中,全局运动估计和运动目标区域检测 交替地进行,不仅加快了它们的 计算速度,同时也提高了它们计算和检测的准确性。实验结果表明,本文算法能较好地补偿 序列的全局运动,有效地检测出 局部目标运动区域。     

昼夜转换场景中的车辆检测

在城市交通流量视频检测系统中,昼夜转换是必须面对的问题,在白天和黑夜的过渡期间,简单的使用白天算法或夜间算法检测效果较差。本文提出一种针对昼夜转换场景的车辆检测算法,该算法首先提取出背景图像,针对昼夜转换场景中光线昏暗、变化较快的特点,建立了一种能够快速跟踪背景变化的背景更新模型;然后采用背景差分的方法检测运动车辆。实验表明,本文算法能够很好的检测昼夜转换场景中的运动车辆。     

基于码书和纹理特征的运动目标检测

复杂环境下如何进行鲁棒的运动目标检测是计算机视觉领域热门研究课题。本文提出了一种新的码书和高斯局部二值模式(GLBP)的纹理描述的运动物体检测方法,在线学习构建码书纹理背景模型。首先用码书以类似聚类的方式构建每个像素的码书模型,根据码字的颜色和亮度相似性,将背景像素分布用聚类码字的形式表示出来,同时在模型初始化和运动检测阶段不断更新码字以反映背景变化。然后用单高斯模型来学习背景像素变化的概率,生成GLBP纹理算子,同时在线更新GLBP反映图像空间纹理信息变化。最后融合三个特征将当前帧分割为前景背景两部分。通过实验视频表明本方法在实际视频中取得了较好的鲁棒的效果。      

采用区域生长和EMDs模型的运动目标检测方法

以动态背景中红外运动目标为研究对象,针对二维初级运动检测器在时域上对运动敏感而引起目标运动矢量受背景变化干扰的问题,提出一种结合时域中生物视觉二维初级运动检测器和空域中区域生长方法的运动检测方法。该方法利用时域中二维初级运动检测器检测出运动矢量并将幅值最大的运动矢量作为区域生长的种子点,利用空域中运动目标具有较高红外辐射的图像特性,通过区域生长法,将热辐射特性强于背景的目标分割出来。仿真实验结果表明:该方法在去除背景干扰的同时提取出动态背景中的运动目标,与其他方法相比具有较高的信杂比。     

一种基于梯度和Vibe算法的运动检测算法

针对运动检测算法在动态背景下准确性不高的问题,提出了一种基于梯度图和改进后的Vibe算法相结合的运动检测算法.该算法首先利用Sobel算子计算出梯度图,然后采用Vibe算法与三帧差分法相融合的方法对梯度图进行检测,获取运动目标.该算法改变了传统的以原始图像来构建背景模型的思想,提出了用梯度来构建背景模型,有效地改善了运动检测中的误检问题.实验结果表明,与GMM(高斯混合模型)、Codebook相比,该算法在静态背景和动态背景下实时性和准确性都较好.     

基于背景差分和信息熵的运动目标检测算法

提出一种目标检测算法,首先选取视频的第一帧作为背景帧,运用加权累加图像方法更新背景图像,背景图像的更新速率通过相邻帧的差分结果决定,再运用背景差分算法提取出运动目标。计算运动目标的区域的熵值,通过熵值判断出特征目标。实验结果表明,该算法简单,稳定性好,能够较好解决动态背景的问题并且检测出特定目标。