基于改进的单高斯模型的运动目标检测方法

对传统的单高斯模型作了一些改进,有效地解决了传统单高斯模型中的拖尾、鬼影问题.对单高斯模型中均值与均方差的更新率的选取提出了一种新方案,能够兼顾高斯模型的收敛性和稳定性.将基于色度畸变与一阶梯度信息的阴影消除方法结合起来,能够很好地消除阴影,使得提取出的运动目标轮廓更为精确.实验结果表明,在室内以及背景较为稳定的室外环境下,基于单高斯模型的运动目标检测方法能够很好地检测出运动目标.     

选煤厂智能视频监控中的运动人体目标检测方法

针对数字视频监控系统人工监视方式可能因监视人员疲劳而导致失误的问题,提出了一种选煤厂运动人体目标检测方法。该方法采用背景减除法来分割运动目标,选用混合高斯模型对背景进行建模,通过不断更新背景模型来提高运动目标检测的准确性;在准确检测出运动目标的基础上,结合人体形状信息,将人体目标检测并标记出来。实验结果表明,该方法能较准确地分割出运动人体目标,并且满足实时性要求,但是无法分割遮挡或连接在一起的运动人体目标,需进一步研究。     

背景分割和阴影检测算法研究

在基于视觉检测方式的泊位自动引导系统中,从序列图像中提取泊位飞机,检测泊位飞机的阴影区域,是泊位系统实现的关键。基于高斯混合模型的背景分割算法被广泛应用于静态背景分割中,但是该算法在处理高分辨率图像时,算法实时性显著下降;分割体积大而且运动缓慢的物体时,容易产生"拖尾"现象;不能检测出运动物体的阴影区域。为此提出了基于分层图像的改进高斯混合模型背景分割算法,有效地克服了算法实时性差和"拖尾"现象。在此基础上,提出了基于色彩特征和区域特征相结合的阴影检测算法,利用部分空间约束信息,检测出运动物体的阴影区域。实验结果表明了该算法的有效性和实用性。     

基于自组织映射的区域高斯模型的动目标检测

对于固定场景中的复杂背景图像序列的运动目标检测问题,采用单高斯模型和区域高斯模型的级联式检测方法,并在区域高斯模型的更新过程中引入了自组织映射的“竞争、合作”机制,提出一种基于自组织映射的区域高斯模型算法。该算法不仅能够在水波纹和树叶晃动等复杂背景环境中检测运动目标,并且能够保证检测运动目标的相似性。使用PETS2002和Water Surface复杂背景图像序列的仿真结果验证了算法的有效性。     

运动目标检测的红外与可见光图像融合方法

在弱可见光条件下,对同一场景监控的红外与可见光图像进行融合,使融合图像即显示红外目标,又能保留可见光图像的细节结构信息,方便观察者对场景的观察与监控。充分利用红外成像的特点,热目标与背景的温度差会使目标在红外图像中的灰度值更大。使用红外序列建立稳定的背景模型,当前帧与背景的差得到运动目标区域,然后,将目标区域内的红外目标融合到可见光图像中,达到对红外运动目标检测的目的。     

一种基于分裂高斯混合模型的背景建模算法

针对运动检测算法中目标空洞和环境噪声难以消除等问题,提出一种背景建模算法。将待处理图像通过三层高斯模糊滤镜,分层抽取图像信息,通过分层建立分裂高斯混合模型,进行建模并计算运动区域。将上层提取的低频信息以及建模后提取的粗块化运动目标,加入到下层的背景判定计算流程中,根据综合判定结果纠正下层错误的模型参数。在公共数据库中的实验结果表明,该算法在高效地去除了环境噪声的情况下,可保证所提取运动目标的准确性,并且对光照突变不敏感,有较好的检测率和较低的误检率。     

面向智能视频监控中的运动目标检测方法研究

运动目标检测是实现智能视频监控的基础,针对当前运动目标检测方法在复杂场景中适应性差的问题,提出了一种结合时空马尔可夫随机场模型和高斯混合模型的运动目标检测方法。在训练时空马尔可夫随机场模型时,采用高斯混合模型的参数更新算法计算邻域图像分割区域的均值和方差,并通过时空邻域标记场设置势函数。通过与传统目标检测方法的仿真比较,验证了该方法的优越性。结果表明,与传统的目标检测方法相比,该方法在复杂场景下具有更高的检测精度,能够更清晰地分割前景中的运动目标。     

一种改进的混合高斯模型背景估计方法

传统混合高斯模型一般为每个像素分配固定的高斯分布个数,从而造成背景形成速度的减慢和系统资源的浪费;同时也存在着高斯模型背景建模中的缓慢或滞留运动物体造成目标误判现象的问题(即空洞问题)。为此,提出了一种有效的两阶段视频图像处理方法。该方法在第一阶段根据像素点的优先级大小自动地调节高斯分布的数目,在第二阶段首先对像素点进行所属区域的划分,进而对目标区域和非目标区域采取不同的更新手段。实验表明,采用两阶段视频图像处理方法明显地改善了背景建模的速度,有效解决了提取目标出现的空洞问题。     

一种改进的运动目标精确检测算法

针对传统混合高斯背景模型在多变场景下因背景模型更新不及时而存在的误检、漏检等不足,提出一种改进算法.该算法首先通过在高斯分布匹配过程中结合帧间差分获取的帧间未变化区域与变化区域判断像素点的区域类别,然后根据不同的像素区域类别执行不同的背景更新策略,使背景的更新及时准确地反映背景的变化.实验结果表明,该改进混合高斯背景模型算法能有效地解决因目标和背景相互转化而出现的拖尾、影子以及运动目标空洞等问题.     

视频监控中一种完整提取运动目标的检测算法

提出一种视频监控中完整、精确提取运动目标前景的检测算法.首先对彩色图像建立混合高斯模型,由背景差分法得到基本准确的前景图像;然后和对称差分法图像综合,得到完整可靠的运动目标图像;再利用亮度信息消除运动目标阴影;最后利用形态学滤波和连通区域面积检测进行后处理.实验结果表明,该算法检测的运动目标前景信息完整准确,对固定场景下的视频监控系统具有一定实用价值.     

基于改进的高斯混合模型的运动目标检测

运动目标检测是实现目标跟踪、视频监控的基础.针对基于高斯混合模型的运动目标检测算法的不足,提出了一种基于分块思想和高斯模型个数自适应的改进高斯混合算法.利用对视频图像分块的思想,在提高目标检测效率的同时,实现对视频的滤波处理;并利用高斯混合模型中高斯分布个数自适应操作来降低算法复杂度,提高运动目标检测的速度.实验结果表明:该算法比传统高斯混合模型运动目标检测算法具有更快的检测速度和更好的检测效果,并降低了检测噪声,能有效地检测运动目标,适用于运动目标的实时检测.     

基于灰度直方图的运动目标特征检测算法

为提高运动目标的检测效果和指导性，提出一种基于灰度直方图分析的运动目标特征检测算法。采用视觉成像技术进行运动目标图像采集和视觉特征分析，提取运动目标的动态视觉特征量。根据运动目标边缘差分变换和空间位置关系进行运动图像的特征分离，提取运动目标图像的边缘轮廓特征量。采用统计形状模型进行运动目标图像的二值化分离，构建运动目标图像的灰度直方图。根据灰度直方图中的统计信息进行目标特征检测和动态特征提取，实现运动目标图像的视觉检测和动态识别，有效提取运动目标的关键特征，实现目标特征检测。仿真结果表明，采用该方法进行运动目标图像的特征检测性能较好，对运动目标的动态识别能力较强。     

基于时空背景差的带跟踪补偿目标检测方法

视频目标检测中,光照变化、摄像机噪声和错误背景更新是目前的难题。提出一种带跟踪补偿的时空背景差彩色图像运动目标检测方法。首先,建立混合高斯背景模型,通过在彩色图像差分中加入影响因子消除光照变化;接着,通过帧间差分及邻域差分,加上运动跟踪种子补偿,获得真实运动目标的种子点;在背景差分粗前景基础上,根据连通区域运动种子点过滤法,检测出最终的真实而且完整的前景目标。通过多个实际视频监控的视频数据集的实验,结果表明该方法的目标检测准确率和完整性均有很大程度的提高。     

复杂背景下运动目标的改进实时检测算法

针对复杂背景下运动目标检测难度大、算法实时性差的问题,提出了一种改进的运动目标实时检测算法.融合背景差分、帧间差分和边缘检测的信息,划定目标区域提取完整的目标轮廓.针对图像光照突变的问题,改进了运行期均值背景更新策略,在背景更新时同步更新前景分割阈值.使用复杂背景下毛细管粘度计液位检测视频验证算法证明,边缘融合方法和实时阈值更新的背景更新算法能够克服背景复杂、光照变化、运动干扰等带来的影响,提高运动目标检测精度,实现实时检测.     

基于均值漂移和边缘检测的轮廓跟踪算法

实时的轮廓跟踪算法可以为视频监控系统提供物体的轮廓信息以供对物体类别、物体行为等进行识别.提出一种基于均值漂移和边缘检测的轮廓跟踪算法.方法中,首先利用均值漂移算法跟踪得到目标物体的中心位置,同时用高斯统计模型进行背景更新,从前景图像和背景图像中分别得到具有相同位置和大小的前景矩形区域和背景矩形区域,然后用背景分割的方法得到目标物体区域,再对目标物体区域进行边缘检测就得到了目标物体的轮廓,进而实现了对目标物体的轮廓跟踪.实验表明,可以实时、准确、稳定地对目标物体进行轮廓跟踪.     

一种改进的运动目标检测方法

为了克服传统背景差分法所存在的不足,提出了一种基于边缘特征和改进K-均值聚类相结合运动目标检测方法。运用改进的K-均值聚类方法建立背景模型,将其与前景图像相差后得到的二值化图像,通过前景边缘信息的鲁棒性来判别及去除存在的虚假目标。实验结果表明,该方法可以有效去除背景中突然有物体移入或移出引起的虚假运动目标,提高了运动目标检测的准确性。     

煤矿井下视频多目标轨迹跟踪算法研究

为了提高煤矿井下监控视频的目标识别准确率,对运动目标进行有效跟踪,将小波变换和背景差分法相结合,对Camshift算法进行改进,提出了适用于煤矿井下视频多目标轨迹跟踪算法。首先采用小波三层变换对视频图像进行去噪处理,得到低频图像。然后再进行背景差分运算,检测出运动目标。最后采用Camshift算法对运动目标进行跟踪处理。实验结果表明,改进的Camshift算法减少了原始Camshift算法在初始候选目标时的随机性,提高了目标检测和跟踪的准确率,为煤矿的安全生产提供了保证。     

Detecting moving objects, ghosts, and shadows in video streams

Background subtraction methods are widely exploited for moving object detection in videos in many applications, such as traffic monitoring, human motion capture, and video surveillance. How to correctly and efficiently model and update the background model and how to deal with shadows are two of the most distinguishing and challenging aspects of such approaches. The article proposes a general-purpose method that combines statistical assumptions with the object-level knowledge of moving objects, apparent objects (ghosts), and shadows acquired in the processing of the previous frames. Pixels belonging to moving objects, ghosts, and shadows are processed differently in order to supply an object-based selective update. The proposed approach exploits color information for both background subtraction and shadow detection to improve object segmentation and background update. The approach proves fast, flexible, and precise in terms of both pixel accuracy and reactivity to background changes.     

A traffic surveillance system using dynamic saliency map and SVM boosting

This paper proposes a traffic surveillance system that can efficiently detect an interesting object and identify vehicles and pedestrians in real traffic situations. The proposed system consists of a moving object detection model and an object identification model. A dynamic saliency map is used for analyzing dynamics of the successive static saliency maps, and can localize an attention area in dynamic scenes to focus on a specific moving object for traffic surveillance purposes. The candidate local areas of a moving object are followed by a blob detection processing including binarization, morphological closing and labeling methods. For identifying a moving object class, the proposed system uses a hybrid of global and local information in each local area. Although the global feature analysis is a compact way to identify an object and provide a good accuracy for non-occluded objects, it is sensitive to image translation and occlusion. Therefore, a local feature analysis is also considered and combined with the global feature analysis. In order to construct an efficient classifier using the global and local features, this study proposes a novel classifier based on boosting of support vector machines. The proposed object identification model can identify a class of moving object and discard unexpected candidate area which does not include an interesting object. As a result, the proposed road surveillance system is able to detect a moving object and identify the class of the moving object. Experimental results show that the proposed traffic surveillance system can successfully detect specific moving objects.