基于多颜色空间信息融合的运动船舶检测算法

传统的目标检测方法是将图像灰度化,导致很多重要信息丢失,而帧差法与背景减法相结合的检测方法虽然能很好克服单独使用一种方法所产生的问题,但仍存在目标内部不充实现象。针对以上问题,提出一种基于多颜色空间信息融合的三帧差分法与背景减法相结合的运动船舶检测算法。该算法首先利用帧差法和背景减法原理对选取的最佳颜色分量进行差分处理,然后将两种差分结果的颜色分量对应进行"与"运算,最后采用"或"运算实现颜色分量融合,获取内部充实、轮廓清晰的运动目标。     

一种新的三帧差运动气泡检测方法

针对传统三帧差法在运动目标检测过程中存在部分 重叠和轮廓不完整现象,提出了一种结合 Kirsch边缘检测和背景差分的改进三帧差法。算法首先对连续3帧图像进行差分得到运动区 域,然后对 当前帧进行Kirsch边缘检测,通过已得到的运动区域与边缘检测结果进行逻辑“或”运算, 获得完整的运动 目标,利用背景帧差分割运动目标并去除噪声。实验表明,提出的方法能够提取更加完整的 目标区域,有 效避免漏检、误检等情况。与现有一些同类算法相比,本文算法具有更优越的运动目标检测 性能。     

卫星视频运动目标检测算法

为了实现对卫星视频图像序列的运动目标进行跟踪,提出了一种背景建模与添加实际条件约束相结合的卫星视频运动目标检测算法。首先,针对卫星视频图像序列的背景建立背景模型。然后,把接下来各帧图像同该模型相比较,进行减法运算,所得偏差为运动区域。最后添加满足卫星实际情况的约束条件,根据卫星视频的分辨率估算出运动目标合理的像元尺寸,从而滤掉噪声。将本算法在PC端进行实现,并与三帧差法和背景建模法的检测准确度进行对比。实验结果表明:本算法对卫星视频图像序列运动目标检测的准确度可达83.6%,三帧差法检测准确度为6.1%,背景建模法检测准确度为21.0%。从实验结果可以看出,本文算法可以比较准确地对卫星视频图像序列进行运动目标检测。     

混合高斯融合三帧差的运动目标检测改进算法

针对混合高斯模型(Gaussian Mixture Model,GMM)无法检测到完整的运动目标,三帧差法检测目标时对物体速度的敏感,检测到的物体会出现空洞等缺点,提出了一种混合高斯融合三帧差法的运动目标检测改进算法。首先,在运动目标提取过程中,改进的三帧差法采用动态分割阈值和边缘检测技术,解决光线突变和边缘不连续问题;然后引入新的高斯分布自适应选择策略,以减少处理时间,提高检测准确性;最后,利用改进HSV(Hue-Saturation-Value)颜色空间来消除阴影区域,得到一个完整的运动目标。数据实验表明,该算法在不同场景具有较好的检测能力。     

基于改进的Camshift运动目标跟踪算法的研究

针对基于颜色概率分布的连续自适应均值漂移算法(Camshift)跟踪算法在背景中出现相同颜色干扰时容易致使跟踪目标失败的问题,提出了一种改进的Camshift跟踪算法。首先对Camshift跟踪目标前进行目标检测,通过帧差法、光流法、背景差分法三种检测算法对比,采用背景差分法得到的运动目标区域矩形特征参数作为Camshift的初始化参数,取代一般Camshift算法利用颜色特征的跟踪。最后对改进的算法和一般Camshift进行仿真对比实验。实验结果表明,结合背景差分法和连续Camshift算法的运动目标跟踪在一定程度上满足了实时性与稳定性的要求。     

基于混合高斯模型与三帧差分的目标检测算法

针对传统目标检测方法中光照变化、复杂背景、阴影等难点,提出了一种结合三帧差分法和混合高斯背景建模的算法,既能很好地适应场景中的光照渐变和背景扰动,又能克服普通帧差法中检测目标不准确,容易产生孔洞及双影现象的问题。同时,采用了一种简易的阴影抑制算法和形态学滤波处理,有效地去除了阴影以及噪声。实验结果表明,该算法易于实现,具有较好地实时性和鲁棒性,能精确地检测出运动目标。     

一种基于帧差法与背景减法的运动目标检测新方法

为改进单独利用帧差法或背景减法进行运动目标检测时存在的不足,提高运动目标检测的准确率和鲁棒性,提出了一种利用边缘信息的帧间差分法和背景减法相结合的运动目标检测方法.该方法首先通过基于边缘信息的三帧差法获得一幅前景图像,然后利用改进的mode算法进行背景差分获得另外一幅前景图像,最后将得到的两幅前景图像进行布尔或运算,得...     

基于相关配准的帧间差分算法

针对帧间差分法在摄像头运动时受动态背景严重干扰的问题,提出了一种基于图像配准的运动目标检测算法。首先将中值滤波后的连续两帧图像配准,配准时先在前一帧图像中选取背景,即背景图像,用区域相关法将后一帧图像与背景图像配准;接着将配准后的2帧图像差分得到帧间差分图像,即帧差图像,再用数学形态学的开运算去掉帧差图像中的一些细小噪声;最后将连续两帧去噪后的帧差图像逻辑与运算,得到运动目标检测结果。实验结果表明,在摄像头运动时的动态背景下,该算法有效地抑制了动态背景的干扰,准确地检测出了运动目标的边界,提高了运动目标检测在动态背景下的应用价值。     

视频图像中的运动目标检测

运动目标检测,是指从视频图像中将运动变化区域提取出来的检测技术,是图像处理技术的基础。在军事公安、交通管理、视频监控、医学检查等领域应用广泛。为了改进单独采用帧差法或背景减法进行运动目标检测时存在的不足,本文提出一种利用边缘信息的三帧差法与基于混合高斯模型的背景减法相结合的运动目标检测算法。该方法对视频图像中连续的三帧图像两两差分,对3个差分图像取均值,二值化,再经过形态学处理,并对中间帧进行Canny边缘提取,将二者进行"与"运算,即得到运动目标的边缘,用背景减法提取中间帧的前景,二值化,将其和目标的边缘进行"或"运算,经过形态学处理便可得到运动目标。实验结果表明,使用该方法目标检出率提高了9.7%~72.1%,误检率降低了0.090%~2.900%。这种二者相结合的方法相对于单一的检测算法能够有效、可靠地提取出运动目标。     

物体融入背景情况下的目标检测方法

针对运动物体运动进入背景区域后,由运动变为静止,成为背景一部分的情况下,传统利用当前图像和背景图像加权得到新的背景图像的方法,背景图像更新较慢,不能快速消除变为背景的物体的影响,提出了帧差法和背景差法相结合的运动目标检测方法,较好地消除了其影响,顺利检测出运动目标,提高运动目标检测方法的适用范围。     

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。     

基于HSV空间阴影去除方法研究与应用

在智能视频监控系统中,运动阴影如果被误判为运动目标,将会影响到场景中运动目标的准确提取、跟踪和预测。针对这一问题,设计了一种基于HSV颜色空间的阴影去除方法。方法首先将背景差法和三帧差分法相结合,用于提取运动目标,再将提取的含有阴影的运动目标区域映射到其HSV色彩空间,通过与背景和相邻帧的亮度、饱和度比较,实现对阴影区域的检测和去除,处理过程中无需提前确定特征判别参数。将所设计的方法在标准高速公路视频数据库中进行测试并应用于实时的视频监控系统,验证结果表明该方法能更加有效的消除阴影,从而准确的检测出运动目标,同时方法对光线变化具有一定的鲁棒性。     

基于混合高斯模型的运动目标检测

针对现有方法在复杂的环境下不能很好地检测出运动物体的问题,提出了一种改进的基于混合高斯模型的背景消减法检测运动目标。改进了背景模型的更新算法,提高了背景更新速度。利用帧间差分法消除了运动影子和光照突变问题,并采用（r,g,l）颜色空间检测和抑制了运动阴影。实验结果表明,该算法能很好地提取出运动目标。     

基于图像融合的运动前景检测方法

提出了一种有效的运动前景检测方法。该方法根据图像融合思想,将背景帧与监控视频的当前帧在R,G和B颜色通道分别进行融合,形成包含背景帧和当前帧视觉信息的单一融合图像。之后根据背景区域与前景运动目标在饱和度上存在较大差异的现象,使用大津算法分割融合图像的饱和度分量图,形成运动前景二值图。经形态学处理后,形成了目标区域较完整、背景干净的运动前景检测图。实验结果显示,该算法具有较好的前景检测性能,解决了背景减法过分依赖背景帧的缺陷。     

基于高斯模型的运动目标检测方法研究

提出了一种改进的基于单高斯背景模型运动目标的检测算法。该算法用四帧差分法确定运动目标区域,用单高斯模型对背景进行更新,然后通过(r,g,I)特征空间去除阴影,从而提取运动目标。实验结果表明,该算法能在变化的场景中对背景进行实时更新,能快速检测出运动目标,算法的运算量小。在室内环境和背景较为稳定的室外环境中都具有较好的应用价值。     

基于改进Camshift算法的NAO机器人目标跟踪

针对Camshift算法应用于NAO机器人目标跟踪过程中,当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题,提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口,然后利用Kalman滤波作为目标运动状态的预测机制,以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性,若受到背景干扰,则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配,重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明,改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下,连续稳定地跟踪运动目标。     

运动目标检测技术在智能监控系统中的应用

在研究帧差法的基础上,给出了基于连续帧差的一种改进算法:将摄像机拍摄的彩色图像经中值滤波后,采用彩色图像差分模型在连续3帧之间作差分运算,初始分割出移动的飞机,然后设置阈值将图像二值化,经过形态学腐蚀、膨胀处理后,再对得到的两幅差分图像作相与运算来确定移动飞机的位置.实验表明,该方法可完成智能安全监控系统中移动飞机的检测和定位任务.     

基于时空域融合滤波的红外运动小目标检测算法

针对红外警戒与跟踪系统中的实时弱小运动目标检测问题．提出了一种基于时空域融合滤波的小目标检测算法。算法在空域上利用形态学Tophat滤波抑制背景增强目标．在时域上通过改进的帧间差分方法增强运动目标,时空域处理结果融合分割后,根据目标运动的连续性和规则性．利用相邻帧中可能目标点之间的位置关系判别目标。算法全面考虑到了运动小目标在时域与空域方面的特性,时空域融合增强后可大大提高目标信噪比。通过实际录取的云层背景飞机目标红外数据检测表明,时空域融合滤波方法能更有效地从复杂背景中检测低信噪比运动小目标,减小虚警率．抗噪声干扰能力强。算法易于硬件实现,能够有效地应用于红外搜索与跟踪系统的实时目标检测中。     

烟火视频序列的混合高斯模型利弊探讨

烟火视频序列背景模型的质量直接影响到火灾监控的准确性,烟火初起阶段与发展阶段是火灾监控的关键时间环节,目前以视频序列背景模型利弊分析为主题的文章较少。本文首先针对烟火视频序列建立混合高斯模型,然后利用帧间差提取动目标区域,最后,对影响混合高斯模型质量的更新率进行实验分析。实验结果表明,在烟火初起期、发展期固定环境下,混合高斯背景更新与帧间差相结合的方法能有效地提取出动目标区域。实验也表明,更新率值过大或者过小时,直接导致动目标区域提取不准确。若更新率值过小,背景模型更新较慢,造成背景区域误判为动目标,动目标区域出现拖影问题。若更新率过大,背景模型更新较快,运动速度缓慢或暂时停滞的目标会被误检测为背景,动目标区域会出现空洞现象。