HSV空间特征和纹理特征的阴影检测算法研究

为了提高检测和跟踪算法的准确性,提出了一种基于阴影在HSV空间下的特点和纹理特征的阴影检测与去除算法。该算法针对阴影区域覆盖的地面和未被阴影区域覆盖的地面纹理特征基本不变的特点,先检查序列图像中的运动区域,然后在运动区域内,根据阴影在HSV空间下的特点和纹理特征对阴影进行检测与去除,为运动目标的后续处理排除阴影干扰。实验结果表明,该算法能够很好地抑制噪声,有效检测、去除图片中运动目标的阴影。     

融合局部纹理特征的核密度估计运动目标检测

针对运动目标检测中光照变化、移动阴影问题,提出一种基于多维特征的核密度估计运动目标检测方法。提出一种改进的局部纹理特征二值模式,对噪声和灰度尺度变化具有更好的鲁棒性,在背景建模中将该纹理特征与颜色特征融合进行概率核密度估计,并结合像素的邻域相关性抑制虚假前景以更好地应对多模态背景场景。实验结果表明:在基于纹理特征或核密度估计的同一体系算法中,本文方法对光线渐变以及运动柔性阴影都有较好的鲁棒性,综合性能指标提高了18%;与目前性能优越的算法纵向比较,能在平均检测性能相当的情况下提高50%的处理速度,更好地平衡检测效果与时间性能。     

自适应窗口和半全局立体匹配算法研究

针对区域立体匹配算法中匹配窗口的选择和在图像中视差不连续、弱纹理区域误匹配率较高的难题,提出了一种自适应窗口和半全局算法相结合的立体匹配算法.该算法先通过基于灰度的自适应窗口算法计算初始匹配代价,然后利用相邻像素之间的视差梯度作为约束,采用半全局立体匹配算法以得出视差图.最后对左右视差图进行左右一致性遮挡检测,获得精确的稠密视差图.针对不同的图像信息采用自适应窗口和半全局算法相结合的立体匹配算法,剔除、修正了视差不连续、弱纹理区域的误匹配点,得到匹配效果较好的视差图.实验结果表明:该算法有效降低了视差图在视差不连续、弱纹理区域和遮挡处的误匹配率.     

基于数学形态学和HSI颜色空间的人头检测

为提高视频监控中人数统计的实时性,提出一种人头检测算法。该方法在HSI(hue, saturation intensity)颜色空间建立人头颜色模型,并结合头发的灰度范围进行二值化。采用数学形态学的膨胀腐蚀算法进行预处理,并在边缘检测之后再次进行膨胀腐蚀,从而得到若干个候选区域。利用轮廓的几何特征综合判断这些区域是否为人头。实际监控的实验结果表明:该方法能够快速有效地检测出人头,很好地满足了视频监控中人数统计的实时性要求。     

一种基于肤色和模板匹配的人脸检测方法

提出了一种基于肤色和模板匹配的人脸检测方法,该方法首先对搜集到的人脸肤色样本在YCbCr空间中进行聚类,然后根据聚类的范围在输入的图像中确定候选的人脸区域(假设存在)的位置,接着对该候选人脸区域进行归一化处理,再计算人脸模板和该候选区域的Hausdorff距离,根据该距离大小最终确定该候选区域是否为人脸.实验表明:该算法检测准确率高,具有良好的实时性和鲁棒性.     

一种改进的运动目标检测算法

针对目标检测过程中的背景变化、光照变化、阴影对检测的影响,提出了一种改进的运动目标检测算法。首先利用改进的统计方法建立了目标的背景模型,并实时地对背景模型进行更新,最后将检测出的目标采用融合HSV颜色信息和纹理特征的混合高斯阴影模型方法来去除阴影。实验结果证明,该算法在场景中有目标运动的情况下。能够准确地建立背景模型,并能去除阴影影响,提高系统的检测准确性。     

集成多特征信息的运动阴影检测

为实现监控场景中运动目标和阴影的准确分割,提出了一种基于GMM和MRF的运动阴影检测与消除算法.首先,利用GMM的学习能力建立背景统计模型并得到前景区域像素集合.其次,将前景区域与对应背景区域间的颜色、边界、纹理和时空一致性等特征信息集成到马尔可夫随机场能量函数中,并利用图割算法实现马尔科夫随机场能量函数的最小化,得到...     

改进的立体像对稠密匹配算法

针对目前主流方法对图像中纹理单一区域匹配效果不佳的问题,提出了一种改进的立体像对稠密匹配算法。该算法首先利用区域增长技术找到图像中的纹理单一区域,然后将整个区域作为匹配基元以得到纹理单一区域的稠密视差图。相对于点基元,区域基元包含的信息更多,且在图像中不易重复出现,因此可以减少误匹配发生的几率。在国际标准测试图像上进行了实验,结果证明该算法的可行性与准确性。     

融合运动和统计特征的静态目标检测

为了解决大部分时间处于相对静止状态目标的智能监控,提出一种融合运动和统计特征的静态目标检测方法.该方法采用行列错位减图像的帧差来提取目标运动特征,根据目标模型和候选区域的统计特征匹配检测目标,利用运动特征和模板的相似性度量动态更新模板.通过积分图优化特征提取及对强光抑制,提高了算法的实时性和鲁棒性.     

一种运动车辆阴影去除的新算法

文章提出一种改进运动车辆阴影去除新算法,首先通过帧差获得车辆和阴影的轮廓图像,然后对轮廓点应用离散K-L变换解除R、G、B分量的相关性,并运用颜色聚类检测出阴影区域,最后用帧差法产生的运动车辆图像与获得的阴影图像差分得到去除阴影的运动车辆,实验表明该方法能够更好地实现运动车辆阴影的去除。     

基于图像分割和可变窗的联合立体匹配

提出一种基于图像分割和可变窗的联合立体匹配算法。首先对参考图像和目标图像进行图像分割,根据视差在同一色彩分割区域平滑的假设,计算出分割区域的匹配代价;然后由窗口内的匹配误差均值、误差方差、偏向误差确定最佳可变窗并求出其匹配代价;最后综合两类匹配代价通过局部优化方法获得稠密视差图。实验结果表明,该算法能够较好的处理低纹理和深度不连续区域,得到较高匹配精度的同时降低了匹配时间。     

基于立体视觉的三维空间入侵检测

针对平面视频监控无法感知运动物体深度的缺点,提出了基于立体视觉进行三维空间入侵检测的理论和方法。采用双目平行摄像系统,基于立体校正后的左右图像进行视差计算,并在视差图的基础上直接对运动物体做入侵判别;同时,设计了三维敏感区域的设置和报警策略。为了加快计算速度,采用一种基于下采样块匹配的方法来计算代价空间,最后用快速的局部动态规划输出视差图。在计算某目标的实际视差时,与目标的运动区域检测相结合,以减小计算误差。实际测试结果表明,该方法可以有效地探测到三维空间的运动目标入侵。     

基于场景知识的移动目标检测

依据背景差法中背景建模的思想,从提取场景知识的角度出发,建立待检测场景的场景知识库,从而提出一种基于场景知识的移动目标检测算法。使用改进的均值漂移算法对待检测场景进行分割,并提取分割后各个区域的底层视觉特征建立场景知识库;从新的场景帧图像中获取各区域的知识特征向量,然后根据和原场景知识库中各特征向量的匹配结果检测出移动目标信息。仿真结果表明,该方法能有效地检测出场景中原有目标和新进入场景目标的移动信息,并在一定程度上改善了目标阴影、形变等噪声对检测结果的干扰。     

虚拟广告系统中视频运动分割算法的研究

在虚拟广告系统中。为了使虚拟图像的插入具有真实感，有效的视频分割便成了其中的关键的技术。该文提出了一种背景剪除与亮度改变相结合的视频运动对象分割算法。该算法首先采用人机交互的方式。指定视频场景中需要处理的区域，取得背景帧，经BGB色彩差分处理，分割出前景物体；根据亮度变化的准则，检测出阴影区域，为后继的虚拟图像的真实感插入做好预处理准备。实验结果表明，该算法简单实用，能够实时有效地分割出视频序列中前景物体和阴影区域。     

区域的实时立体匹配的改进算法

针对在立体匹配研究领域中弱纹理区域的匹配问题,文中提出了一种基于区域的实时立体匹配改进算法.采用匹配测度函数像素灰度差的绝对值和（Sum of Absolute Differ-ence,SAD）,通过平均误差阈值算法检测出高误差能量;针对遮挡区域造成的不可信视差预测点,进行误差能量计算;利用滤波加速算法减少计算匹配窗口相似性复杂度,既降低了误匹配率,又提高了算法的运行速度.实验结果表明,改进算法的误匹配像素百分比明显减小,且能满足系统对实时性的要求.     

基于多特征融合GMM的阴影检测策略研究

将运动目标从背景中准确分割出的过程中,阴影的检测和消除起着重要作用。传统的目标和阴影检测算法一般都是基于目标颜色等单特征信息,因此在很大程度上受到了场景光照条件变化的影响而导致算法的执行效果降低。提出一种基于颜色信息和纹理信息的多特征融合的混合高斯模型检测算法,可以降低由单特征检测所带来较高的误检率。其中采用了两重阴影判决方法以确定真实阴影,首先通过颜色夹角进行疑似阴影的判决,进而根据前景区域和背景区域的相似度和颜色分量差值再次判决阴影。最后通过实验对阴影检测算法进行比较,表明了本文提出算法能够对阴影进行准确消除。     

非参数变换和改进动态规划的立体匹配算法

针对传统稠密立体匹配方法在非纹理区、深度不连续处和遮挡处存在错误匹配率过高的问题,提出一种基于非参数变换和改进动态规划相结合的立体匹配算法.采用稀疏非参数变换相关方法计算初始局部匹配代价,并利用行列双向约束动态规划算法对匹配代价进行全局优化,在获取初始视差后分别对原始图像每一像素点进行可信性与纹理性检测,最后利用视差平面拟合结果代替非纹理与非可信区域像素点的原始视差,得到稠密视差图.实验表明,该算法具有较高的鲁棒性与匹配精度,尤其在处理图像的非纹理区、深度不连续处和遮挡处,可获得精确的匹配结果.     

用于单视加深度视频编码的快速立体匹配算法

针对立体视频数据量大、立体匹配算法效率较低,远远满足不了实时传输需求的现状,提出了一种应用于单视加深度立体视频编码的快速立体匹配算法。该算法利用单视编码过程中产生的运动信息作为深度图生成的辅助信息,将立体匹配过程中的视差估计值重组,并将重组后的信息作为P帧的视差估计初值进行后续的迭代运算。算法通过利用单视编码过程中已有的运动信息,降低了P帧立体匹配的运算复杂度。实验结果表明,该算法能使视差图的生成速度提高一倍左右。