基于边缘处理的运动目标检测方法的改进

对于目标检测算法,本文分析了传统检测方法的特色与不足之处,并以边缘处理为基础,结合帧差法和背景减除法的思想对传统方法做了改进。首先以预先构造的背景边缘模型为基础,用当前帧与之做差获得边缘背景差值图像。其次用改进的帧差法取得部分目标,两者相与,取公共部分。再结合亮度与颜色偏差作为判据得到完整的、准确的运动目标轮廓,最后用模版填充法得到运动目标,通过形态学滤波与连通性分析法修复完善得到完整运动目标。     

基于改进均值建模的自适应三帧差分算法研究

针对实际视频图像中复杂的背景环境（光照变化、有微动物体等）,运动目标检测算法不易提取出完整的运动目标,提出了基于改进均值背景模型的自适应三帧差分算法。该算法利用前k帧建立的均值背景模型作为三帧差分法的中间帧,再采用三帧差分法,并对差分结果选取自适应阈值来二值化,将两个检测出的目标进行“与”运算,最后通过形态学处理、滤波等,获得运动目标的真实位置。最后试验结果表明,提出的算法能够适应比较复杂的背景环境,不易受光照变化或其他微小变化的影响,又能有效克服空洞和边缘丢失的现象,并且检测准确率更高,适用于无人监控环境。     

基于五帧差和二维Renyi熵的运动目标检测

针对传统帧间差分法存在的不足,提出改进五帧差分法和二维Renyi熵阈值分割法相融合的运动目标检测算法。该算法充分考虑视频序列帧间的时空相关性,利用改进五帧差分法对预处理后的视频图像序列进行差分运算,以提取运动目标的帧间时间相关性;将得到的差分序列使用二维Renyi熵阈值分割法分割处理,以获取运动像素与同帧周围像素的空间相关性。该算法避免了五帧差分法轮廓提取的空间信息丢失,克服了二维Renyi熵阈值分割法容易忽略运动像素的时间信息,从而提升了运动目标检测的完整性。实验结果表明,该算法能够更准确地检测出运动目标,具有较好的鲁棒性和有效性。     

Sobel算子在提取视频运动目标轮廓中的应用研究

在计算机视觉领域中,从视频流中获取清晰的运动目标轮廓对于目标的跟踪识别以及行为判断等高层次处理具有非常重要的意义.传统的帧间差分法虽然可以粗略的提取到运动目标,但却未能很好的解决算法留下的“空洞”和“重影”问题.本文首先采用Sobel算子提取每一幅帧图像的轮廓,然后将帧间差分法提取得到的运动目标同该轮廓做“与”运算,从而得到线条清晰的目标轮廓.实验表明,该方法较传统帧间差分法而言,在保证原有轮廓的同时,也能消除移动速度对轮廓的影响.     

视频图像动目标检测的双三帧差分算法

三帧差分法进行视频图像动目标检测时利用两个帧差分的结果进行逻辑与运算,进而进行轮廓提取。这种取交集的算法势必会丢掉相互独立的目标轮廓部分,因而容易造成目标轮廓断裂和空洞。为改善算法性能提出了双三帧差分算法,该算法利用连续两次或多次具有交集的三帧差分的结果进行逻辑或运算,采用取并集的方法在最大程度上恢复三帧差分算法提取的动目标轮廓的完整性。基于连续4帧和5帧视频图像给出了算法的具体逻辑结构,仿真实验结果给出了新算法与传统算法的性能指标对比。     

基于数学形态学的运动目标检测算法

帧差法和背景差法都是重要的运动目标检测方法,帧差法不能完全提取出目标的所有相关点,而背景差法又受环境光照的影响。针对传统运动目标检测算法的不足,提出一种基于数学形态学的帧差法与背景差法相结合的运动目标检测算法。先将帧差法得到的图像经过数学形态学处理,再将其与背景差法得到的图像相结合。实验表明,该算法能适应复杂变化的环境,准确地提取运动目标,对复杂干扰场景下的实时运动目标检测得到了较为满意的效果。     

基于分块差分与背景减除的运动检测

本文提出了一种基于分块的帧间差分与背景减除相结合的运动目标检测方法.该方法中,运动目标检测分两步进行,在粗分割阶段,首先把视频图像划分为多个子块,用帧间差分对运动图像各个子块进行检测,分离出背景区域和前景区域,背景区域用来构造和更新背景模型.一旦背景构造完成后,便可以对粗分割出的运动区域采用背景减除方法进行细分割,检测出精确的运动目标.使用帧间差分获取的背景区域构造和更新背景,能有效地把停止的运动目标融入背景,同时也能去除场景中突然运动的目标原来位置所留下"鬼影".实验结果表明,该方法克服帧间差分提取目标不精细缺点,解决了背景减除方法中背景构造更新的困难,能够对监控场景中运动目标进行精确检测,对光线变化、背景干扰不敏感,具有较好的鲁棒性和实时性.     

视频监视中运动物体检测的一种新算法

本文提出一种结合阈值分割以及区域生长的算法检测视频中运动物体的算法.首先对相邻的图像帧进行差分并根据3σ准则二值化差分图像,然后对二值图像进行扫描去除虚假目标区域和孤立亮点、并记录各区域的边界值,最后用区域生长的办法得到运动物体的完整信息.实验表明,在背景复杂、光照不均匀的视频中,该算法比帧间差分法、数学形态学的方法等能够更精确地检测出多个运动物体,在提取目标的同时,不留下任何背景像素,使下一步的目标跟踪更精确.     

浅谈运动目标检测的基本方法

运动目标检测是视频图像处理过程中重要的环节,提取视频图像中的运动目标是视觉监控领域研究的难点之一,运动目标检测的效果将影响到目标跟踪结果的准确性。若要确定视频图像序列中目标的位置及灰度等特点,就要准确的检测出运动目标,本文介绍了背景消除法,帧间差分法和光流法三种常用的运动目标检测的方法,同时对各自方法的基本思想进行了阐述,对其优缺点进行了分析。     

基于背景减除和特征提取的跌倒识别方法

为了有效监测老年人是否跌倒,提出一种结合背景减除及人体边界的外部轮廓特征提取方法对人体动作行为进行识 别。 首先,利用背景减除法从视频中提取运动的对象,对提取的运动对象进行预处理;然后利用最小外接矩形和重心检测的方 法对运动目标进行特征提取,得到老人整体外部轮廓和重心位置等运动特征;最后根据人体不同姿态,建立运动模型,有效辨识 被监护对象的行走、跌倒等动作。 实验结果表明,提出的方法可对实际的视频进行有效处理,对人体行为识别的准确性能达 到 94. 3%。     

基于深度学习的风机叶片边缘检测

利用传统视觉算法提取叶片边缘易受地平线或非目标风机的干扰对提取结果造成误差。针对这一问题，提出一种基于显著性及改进双向级联网络的检测算法，该算法可排除地平线及背景影响，获取完整边缘信息。其中，显著性检测网络模拟人的注意机制，提取视场重要信息，将目标风机与背景分离；改进双向级联网络在原有结构新增尺度选择模块，优化不同层之间特征共享，精确检测不同尺度的边缘，完整获取目标轮廓。利用某风电场无人机采集的实验数据，对识别性能评估得出该方法具有足够的精度，可在不同环境中准确识别叶片轮廓。     

基于人眼识别原理的运动目标检测方法

针对于背景差分法与帧间差分法在运动目标中存在的不知足,为提高运动物体检测的实时性和准确性,提出了一种结合背景差分和帧间差分的运动物体检测方法,该方法模拟人眼对运动目标的检测方式,分为整体感知与精确感知两部分。首先将图像分为多个区域并使用较少的像素点建立背景模型,通过背景模型确定运动物体所在的区域,并将其他区域的图像作为背景图像进行存储。然后使用变化区域的当前图像与存储的该区域的背景图像进行差分运算,以获取清晰的运动目标。该方法使用较少的像素点进行背景模型的构建,减少了背景模型建立和更新的运算量,提高了运算的速度。通过存储的背景图像与当前图像进行差分,可以获得完整的运动目标,避免“空洞”的出现。     

基于视频图像的运动目标检测技术

提出了利用三帧差分法和背景差分法对运动目标进行检测的方法,该运动检测的方法实现比较简单、速度快。通过引入的背景实时更新模型,可以提高整个系统的自适应性。实验证明,该方法应用于智能监控场合效果较好。     

复杂环境下变电站运动目标跟踪技术研究

背景光线变化、树木摇动、下雨下雪等自然环境变化会给运动运动目标检测带来的很大影响。本文介绍一种背景动态生成算法,利用此算法实时动态地生成背景图像,在一定程度上解决了自然环境变化给运动目标检测带来的影响。然后使用背景差分法来检测运动目标,当存在运动目标时,根据连续2帧图像与背景图像差分的结果来确定运动目标的运动方向、运动目标的位置坐标。最后给出了一种云台转动角度的计算公式,根据此计算公式计算出云台的水平旋转角度和垂直旋转角度,实现运动目标检测和自动跟踪功能。     

基于边缘检测和混合高斯模型的运动目标检测算法

提出一种运动目标检测算法。该算法在时间域上通过混合高斯模型进行背景建模及更新,同时利用基于HSV颜色空间的阴影模型实现阴影检测,提取运动目标的初步形状。然后在空间域上利用Canny边缘检测算子获得运动目标的边缘轮廓,并进一步运算,提取出最终的运动目标。将所提出的算法应用到了越界侦测（报警）中,试验和应用结果表明,该算法能够更有效地检测出运动目标。     

结合ViBe和KGC图割的运动目标检测研究

为了提高运动目标检测的准确性和完整性,在背景建模研究的基础上,提出一种结合非参数随机样本集ViBe算法和核图割KGC(Kernel graph cuts)理论的运动目标检测方法。采用改进的ViBe算法进行背景提取,把样本集扩展到阴影空间,抑制目标运动阴影的产生。针对样本随机性和噪声带来的目标不完整性,建立目标边缘轮廓分割约束,对前景区进行KGC分析,把滑动窗局限于目标轮廓最大概率密度区,过滤无效背景,合并有效区域。经过视频测试实验表明,该方法在不增加较大计算的情况下,达到检测实时运行,相对于传统算法获得较好的准确率、完整性和鲁棒性。     

交通监控系统中车辆和行人的检测与识别

本文提出一种应用于智能交通监控系统的车辆和行人的检测和识别方法.首先结合帧间差分,对交通监控场景的视频图像序列建立动态背景模型,然后用背景消除法对监控视频中的运动目标进行有效检测,提取出运动目标的轮廓.最后采用支持向量机,对检测出运动目标进行快速识别.实验结果表明,该方法能够快速准确地在监控视频中对运动的车辆和行人进行检测和分类识别,对快速交通通道中非法行人入侵进行自动报警.     

一种新的检测方法在目标跟踪中的应用

综合考虑了目标跟踪可靠性和实时性的双重要求,以及场景中不可避免的光照变化、背景干扰等实际因素,基于离散线性卡尔曼滤波实现了运动目标快速跟踪。采用帧间差分与图像梯度信息相结合的办法提取目标轮廓,应用高斯滤波、空域平滑滤波技术减弱噪声干扰,并利用邻域端点搜索法连接、修复目标轮廓。实验表明,本文中的算法具有抗噪性能强,适合实时处理的优点。     

一种用于电力监控的行人运动检测与跟踪算法

在传统的行人检测跟踪算法中,主要采用HOG+SVM对视频中的行人直接进行检测,针对传统算法在复杂背景及多行人条件下,行人检测效果较差,且实时性低等缺点,提出一种融合目标运动检测与目标跟踪的行人检测算法。首先采用Vibe算法提取视频中的运动目标,并通过对Vibe算法的改进消除初始帧存在的阴影问题。针对视频中的运动目标采用Adaboost算法对运动目标区域进行行人检测,减小视频中背景的干扰,加快检测速度。最后采用卡尔曼滤波算法和匈牙利最优匹配算法对视频监控中的行人进行跟踪。仿真实验结果显示,该算法能够对电力监控视频中存在的行人进行检测跟踪。     

智能视频监控系统动态目标检测与识别算法综述

随着电力系统自动化程度的不断提高,智能视频监控在电力系统中的应用也变得越来越多。本文针对智能视频监控系统所采用的动态目标检测与识别算法进行了综述。介绍了包括帧间差分法、背景差分法、光流法在内的视频移动目标检测算法、基于传统模板的识别方法以及统计学习识别方法。并对上述各种算法进行了比较,阐述了各算法的适用环境及优缺点。