基于差异积累的视频运动对象自动分割

针对视频运动对象的自动分割，本文给出了一种基于差异积累的自动分割算法。与传统的基于运动信息变化检测方法不同，该算法通过累积的帧差信息构建出可靠的背景，与当前帧比较进而提取出视频运动对象。本文提出了一种增强的基于Otsu法的自适应阈值化方法，能更准确地对背景差图像进行阈值化分割，克服了传统Otsu法阈值化容易失效的问题。改进的基于区域生长的定位方法更能避免传统方法的误定位及重定位的问题。实验结果表明，本文算法具有较好的实时性、自适应性以及鲁棒性，可以较为可靠地建立背景模型并进行实时更新，适用于刚体或非刚体存在平缓的光照变化以及摄像头微抖动的视频运动对象的自动分割。     

基于自适应混合高斯模型背景提取的研究

运动目标检测的主要方法有相邻帧差法与背景减法,在背景减法中。准确的提取背景是运动目标检测的核心任务之一。背景提取的主要方法有均值法、中值法、Mode算法以及基于单高斯模型与混合高斯模型的背景提取方法,前四种方法的求解过程比较简单,但对于复杂多变的背景,提取的准确性较差．对此本文提出了一种基于自适应混合高斯模型的背景提取的算法,实验结果验证了算法的实用性与有效性。     

基于视频处理的高斯背景提取方法

运动目标检测的主要方法有相邻帧差法与背景减法,在背景减法中,准确的提取背景是运动目标检测的核心任务之一。背景提取的主要方法有均值法、中值法、Mode算法以及基于单高斯模型与混合高斯模型的背景提取方法,前四种方法的求解过程比较简单,但对于复杂多变的背景,提取的准确性较差．对此本文提出了一种基于自适应混合高斯模型的背景提取的算法,实验结果验证了算法的实用性与有效性。     

复杂场景条件下的运动目标检测算法

针对复杂场景条件下运动目标检测方法存在的局限性,提出了一种基于运动检测和静止图像分割相融合的算法。采用相邻帧差法结合建立的假设检验模型进行自适应的运动目标检测;为消除孔径效应和噪声的影响,根据运动目标检测的结果,在当前帧利用区域增长法融合运动分割的结果。试验结果表明,算法能从复杂场景的图像序列中有效地检测和提取出运动目标,并有很强的鲁棒性。     

一种视频图像序列中运动对象的分割与跟踪算法

本文提出了一种视频图像序列中运动对象的分割与跟踪算法。该算法通过Canny算子检测出差帧图像的边缘信息，并结合当前帧与背景帧的边缘图像，提取出运动对象。在后续帧中通过建立前帧感兴趣运动对象与当前帧中各运动对象的帧间向量来跟踪当前帧中感兴趣的视频对象。实验结果表明，该算法可行，而且由于该算法简单、计算复杂度小，能很好地满足实时监控系统中对感兴趣运动对象的提取与跟踪。     

空中红外小目标并行分割算法

为提高空中红外小目标检测速度,提出了一种基于灰值形态学序列图像膨胀累加、背景估计和自适应阈值分割的并行结构小目标分割算法。该算法对灰值膨胀运算后的相邻三帧图像进行累加以增强小目标能量;将灰值形态学开、闭运算的平均值作为背景估计图像;采用自适应阈值算法从二者相减的差图像中分割出可能目标;其中小目标能量增强和背景估计采用并行处理结构。基于VisualC 6.0编程进行了实验,结果表明,算法对连续三帧768像素×576像素红外视频采集图像的处理时间为3.73s,较常规串行分割算法快一倍以上。     

基于块估计的运动目标检测方法

提出了一种适合于运动目标检测的块运动分析方法,用以补偿移动背景所带来的杂波信息,准确检测运动目标。在对原始图像进行滤波的基础上,选择合适的子块,通过块匹配,得到背景位移矢量;利用这些运动参数,在相邻帧之间进行运动补偿,达到分割运动目标的目的。该算法对背景的适应性能好。     

分块思想和码本模型的运动检测算法

为了消除静止摄像机下复杂背景环境对运动目标检测造成的影响,同时又为解决目前的运动目标检测算法在检测速度、准确度方面存在的不足,提出一种改进码本模型的运动目标实时检测算法.首先利用分块的思想将一幅图像分成若干宏块(MacroBlock),然后对每个宏块进行背景建模聚类成码本.在目标检测时,同样对当前帧进行分块,对于每个宏块求得像素均值和亮度均值并与其对应位置的码本进行比较判断,从而提取出前景目标.实验证实,对存在动态因素的背景视频,该算法不仅能有效抑制伪目标的出现,而且能准确快速地检测出运动目标.     

基于图像分块重建的运动目标检测

运动目标检测是图像理解的关键问题之一,人们通常采用背景法去除背景而获取运动目标前景。其中的背景重构是其中的关键。现有的背景重构算法很难同时满足实时性与鲁棒性的要求。提出基于图像分块重建的运动目标检测方法,首先将图像合理划分为若干个子块,通过帧差法得出子块的运动能量,据此判断出子块属于背景还是目标前景,再根据背景子块估计出背景图像。在背景更新阶段,根据图像4个角上子块(角块)的邻帧差分值来对场景的光线变化进行判断从而决定是否需要进行背景更新。将上述算法应用于一个人体目标检测中。实践证明,该方法具有较好的实时性与鲁棒性。     

基于动态背景下的海上运动目标检测

针对目前传统的运动目标检测算法基本上仅适用于静态背景下,对于背景不固定的的场合,传统的目标检测算法检测到的效果不理想问题,提出一种改进的四帧差分法与背景减除法相结合的融合算法。该算法结合传统的运动目标检测算法的特点,能够在动态背景下对海上运动目标进行有效地检测,然后通过提取运动目标的区域轮廓和利用区域的形状描述子将海上运动目标标记出来,为进行后续的运动目标跟踪或匹配创造条件。最后,通过对现场采集的视频序列进行检测,验证了该算法的有效性以及较强的适应性。     

一种稳健的运动探测与背景维护算

针对家庭安全监控需要，提出一种稳健的运动对象探测算法。首先给出三帧差运动对象检测算法，同时利用像素的亮度分量和色度分量避免由于大尺寸对象闯入引起图像背景像素变化造成运动对象检测的失败。然后提出一种三关键背景维护算法，用于清除背景振动像素，减少虚假报警。实验表明，这种运动探测算法对视频监控系统消除虚假异常报警具有良好的通用性，实时性和稳健性。     

基于 Kalman滤波理论的运动目标检测新方法

该丈研究了基于Kalman滤波理论的渐消记忆最小二乘法在图像背景重建中的应用,并将它应用在复杂背景的图像序列中,实现对运动目标的自动检测.首先用渐消记忆最小二乘法对复杂背景进行预测和更新,然后把当前帧与预测的背景模板做差分运算,最后采用自适应阈值分割技术实现对目标的自动分割.文中通过对序列图像的仿真,讨论了最小二乘法的存在问题,改进及适用情况,干扰的消除.试验结果表明,该方法具有很强的实用性.     

运动背景中结合特征位移矢量场模糊分割与 OTSU法的运动检测

运动背景中的运动检测难度较大,背景运动补偿后差分以及分割光流场可实现动目标和背景的分离,差分前需进行鲁棒的背景估计,且差分后易出现空洞,而光流估计在噪声以及目标运动速度较大时并不准确,尤其在光照变化时,两种方法均易失效。本文提出一种特征点位移矢量场模糊分割与图像自适应阈值化相结合的运动检测方法,实现在无任何关于运动目标或者运动背景先验信息条件下的动目标检测。通过改进的 SIFT匹配方法生成鲁棒的特征位移矢量场,采用模糊 C均值聚类算法对 SIFT位移矢量场进行无监督分类,实现动目标与背景特征的自适应分离。 OTSU法和形态学操作实现图像的自适应分割,用以修正特征点凸包,最终分割出动目标区域。与鲁棒的背景运动补偿后差分以及光流估计的对比实验表明,在目标运动速度较大、光照变化以及噪声情况下,本文方法均能够检测出运动目标,且在光照变化下的优势明显。     

一种结合Grabcut的Vibe目标检测算法

针对传统背景建模方法不能非常有效地提取出完整运动目标这一问题,提出了一种新颖的结合Grabcut和Vibe算法的运动目标检测方法.首先利用改进的Vibe目标检测算法初步寻找出当前帧中的所有可能目标前景区域;然后对这些前景区域进行进一步的选择从而滤去无效前景,合并有效区域;最后对每个前景区域再利用Grabcut算法来分割出更加完整的目标前景.实验结果表明,与传统的背景建模方法相比,本算法在有效时间内可以更加完整地分割出运动目标前景,对与背景颜色类似的目标前景也有很好的检测效果.     

一种采用背景统计技术的视频对象分割算法

利用背景统计技术从累积的帧差信息中构建出完整、可靠的背景区域,并将其与当前帧相比较,得到初始对象分割掩膜;再对之进行后处理,以消除噪声影响和平滑对象边界,从而获得较好的对象分割掩膜,并提取出视频对象。该算法不需要预知运动对象的形状、数目等,就能较好地从静止背景中分离出目标,实验证明,它具有一定的实用性和鲁棒性。     

欧拉弹力模型的视频运动目标自适应图切检测

传统的视频运动目标图切检测算法基于低阶马尔科夫随机场,能量函数的低阶近似无法准确描述图像像素的空间相关性,导致图切检测结果过度平滑。本文提出一种基于高阶欧拉弹力模型的图切检测算法,利用欧拉弹性模型优化目标边界曲线和修正能量函数的低阶近似。算法通过利用前一帧图像的检测结果,对当前帧图像运动目标像素点数和前景背景邻接像素对数进行卡尔曼预测,并不断自适应调整当前帧的图像模型参数,实现了视频运动目标的连续全局优化检测。实验结果验证了欧拉弹力模型在视频运动目标检测中的有效性,其检测结果能够更好地满足人的视觉效果。     

Statistically tuned Gaussian background subtraction technique for UAV videos

Background subtraction is one of the efficient techniques to segment the targets from non-informative background of a video. The traditional background subtraction technique suits for videos with static background whereas the video obtained from unmanned aerial vehicle has dynamic background. Here, we propose an algorithm with tuning factor and Gaussian update for surveillance videos that suits effectively for aerial videos. The tuning factor is optimized by extracting the statistical features of the input frames. With the optimized tuning factor and Gaussian update an adaptive Gaussian-based background subtraction technique is proposed. The algorithm involves modelling, update and subtraction phases. This running Gaussian average based background subtraction technique uses updation at both model generation phase and subtraction phase. The resultant video extracts the moving objects from the dynamic background. Sample videos of various properties such as cluttered background, small objects, moving background and multiple objects are considered for evaluation. The technique is statistically compared with frame differencing technique, temporal median method and mixture of Gaussian model and performance evaluation is done to check the effectiveness of the proposed technique after optimization for both static and dynamic videos.