一种基于改进混合高斯背景模型的运动目标检测方法研究

提出了一种固定摄像头下自适应的运动目标检测方法。该方法基于改进的混合高斯背景模型,通过在线更新模型学习率,实现背景模型更新。最后用背景差分法检测出运动目标。实验结果表明,与传统混合高斯模型的运动目标检测方法相比,该方法有较好的自适应性,能快速适应场景的变化。     

基于单高斯背景模型和双差分融合的运动目标检测算法

提出了一种新的运动目标检测算法,实现了只对帧图中感兴趣的运动目标区域进行背景匹配更新,能够较精确地检测出运动目标。该算法首先提出了双差分模型确定运动目标最大分布的可能区域,然后融合单高斯背景模型对此区域进行背景重建,再运用背景差分得到精确前景目标。仿真试验结果表明,该方法降低了运算的复杂程度,提高了检测精度,具有很好的鲁棒性。     

基于颜色和梯度特征的混合高斯模型的运动目标检测算法

运动目标检测是视频监控系统的重要组成部分,针对传统的基于混合高斯模型(GMM)的运动目标检测方法存在的不足,提出一种基于颜色和梯度特征相结合的混合高斯模型的运动目标检测算法。该算法首先基于像素的颜色特征建立混合高斯模型,进行运动目标初步检测;然后结合像素的梯度特征,建立像素梯度的混合高斯模型,实现运动目标精确检测。通过在室内和室外等不同场景下进行的运动目标检测实验,结果表明,该算法能有效消除光照变化影响,抑制运动目标的阴影干扰,对室内和室外环境的运动目标检测都具有较好的检测效果和鲁棒性。     

视频图像中运动目标检测算法研究

视频图像中运动目标的检测一直是视觉分析的研究热点之一,应用广泛。文中主要针对静态背景下即摄像头固定的情况下,提出一种基于高斯模型的背景差分法来实现运动目标的检测。算法首先建立混合高斯背景模型,然后再利用背景差分法提取运动轮廓,最后通过后续的形态学处理得到完整的运动目标。实验结果表明,该算法不仅能够检测到运动目标,而且检测效果得到了提高。     

基于改进背景差法的运动目标检测

运动目标检测是视觉领域的重要研究内容,文章在研究了现有大量算法的基础上,提出了一种基于改进背景差法的运动目标检测方法,利用三帧差分图像法的主要思想,将背景差法和帧间差法结合起来,使它们优势互补,从而克服相互的弱点。实验结果表明,该方法可以很好地适应背景中存在周期运动干扰的情况,并且可以适应背景突变的情况。     

基于元胞自动机的动态背景运动目标检测

针对传统运动目标检测算法在动态背景条件下难以准确检测出运动目标的问题,提出了一种基于元胞自动机的动态背景运动目标检测算法。首先,根据SLIC算法分割视频图像,并应用多模态混合动态纹理模型对视频图像进行背景建模。然后,融合空时显著性检测与基于元胞自动机的自动更新机制得到优化的显著性图。最后,通过对优化后的显著性图做适当的阈值分割处理得到视频图像中的运动目标。实验仿真结果表明,在动态背景条件下该算法可以有效的抑制视频图像中非运动目标的显著性物体对检测结果带来的影响,检测运动目标的精度较高,并且具有一定的鲁棒性。     

基于达芬奇的运动目标检测系统

针对视频监控领域,利用达芬奇双核(ARM+DSP)处理芯片DM6446的高处理性能,设计了运动目标检测系统。在系统硬件上围绕DM6446进行了设计和实现;在用户软件上实现了视频的录制、存储、回放和运动目标检测等功能。ARM核应用程序采用多线程设计,DSP核运行目标检测算法。算法采用改进的颜色直方图方法,利用高斯模型计算颜色的背景概率,通过比较背景和前景的概率,达到了运动目标检测的目的。测试结果表明,算法简单可行,具有实时性,且软硬件工作良好,能够满足实时采集与图像处理的要求。     

改进PIC的背景重构算法与运动目标检测新方法

根据图像序列中出现频率最高的像素均值为背景点的思想,对像素灰度归类(pixel intensity classification,PIC)算法进行改进,通过将所选取的用于重构背景的序列图像像素值进行归一化、量化统计、量化范围拓展,从而重构背景图像,该方法避免了PIC算法中需要人为设定阈值;舍去了较为耗时及复杂的相近灰度区间合并等步骤;对于重构背景与目标图像作差后的二值图像,提出一种新的目标检测方法:粗精两步搜索法,可以精确确定目标物的位置,实现对运动目标的检测.实验结果表明该方法比PIC方法运行时间短、重构的背景噪声点少、粗精搜索后的目标位置准确,是一种快速有效的运动目标检测方法.     

基于相位相关和差分相乘的动态背景下运动目标检测

本文提出一种基于相位相关和差分相乘的动态背景下运动目标检测方法。首先用相位相关算法配准由于摄像机运动导致的图像背景旋转、缩放和平移量,然后用连续四帧图像差分相乘的方法分割出运动目标的轮廓,最后用形态学图像处理方法填补运动目标中的小空洞,并滤除残留的孤立噪声点。经过对多个视频序列的试验验证,结果表明该方法具有良好的性能,它对于各种因素的影响,如光照变化、背景中树叶晃动等局部微小变化、背景配准误差等,都有很强的适应能力。     

背景运动补偿和假设检验的目标检测算法

根据背景与目标具有不同的运动特性这一事实,提出一种基于背景运动补偿和假设检验的目标检测算法。首先,采用特征点对应法求相邻帧间的运动;然后,用最小二乘法计算出摄像机仿射运动参数,利用此参数进行帧间背景运动补偿后得到稳定的背景;最后,用假设检验方法检测补偿后的帧差图像,经过简单的形态学和连通区域处理后检测出运动目标。仿真表明,该运动补偿算法能有效消除背景突出目标,补偿前后的差分图像信噪比提高了14.71 dB。该算法计算量小,可以成为一种通用的实时目标检测算法。     

基于背景差和多层背景的目标持续检测研究

传统的目标检测方法只能检测出运动的前景目标,而进入监控场景后停止或移动缓慢的目标将被更新到背景里.文章提出了一种基于背景差和多层背景模型的前景目标持续检测方法,将背景分为动态背景和参考背景两层,采用改进的Surendra算法快速提取背景;曰标检测中,采用动态背景检测运动前景,通过动态背景与参考背景之差检测出静止前景.对...     

基于状态分割的运动目标实时跟踪

针对基于云台的移动式摄像头视频监控系统,为准确、实时地对运动目标实施检测、跟踪,提出了一种基于状态分割思想的运动目标实时跟踪方法。该方法将运动目标检测跟踪过程按摄像头的运动状态分为静止、运动2个阶段。在摄像头静止阶段,采用基于混合高斯模型的背景差法检测运动目标,提取目标的颜色特征信息;在摄像头运动阶段,采用Camshift算法对运动目标进行跟踪。开发了基于 OpenCV 开源库的算法程序。实验结果表明,在目标颜色特征显著的情况下,该方法实现了移动式摄像头对运动目标的精确跟踪,并具有较好的鲁棒性和实时性。      

基于光流的物体移动速度检测技术

通过采集目标物体的运动图像,根据移动物体运动场和光流场的关系,由运动主方向的原理,确定出物体移动的方向;采用一种基于金字塔式的L-K算法对移动物体的光流速度进行计算;把图像中的光流速度转化为物体的实际移动速度。实验结果表明,该算法能有效地检测出物体的实际移动速度。     

机器人捕捉运动目标的时间最优控制方法

对机器人的运动目标捕捉过程进行了研究,提出了用Ak im a样条函数对运动学求逆后的目标轨迹进行平滑的方法,使得轨迹在关节坐标系下得到解耦。通过模糊Bang-Bang控制机器人,使末端以时间最优的方式接近运动目标。当机器人关节位置与期望位置小于给定阈值时,采用带积分的模糊随动控制,使得每个关节相对独立地到达期望位置,并最终实现运动目标捕捉任务。结果表明,该方法简单有效,可快速稳定地实现运动目标捕捉任务。     

CenSurE特征和时空信息相结合的运动目标检测

提出一种结合中心环绕极值特征(CenSurE)和时空信息的运动目标检测算法,用于提高动态场景中运动目标检测的速度和目标的完整性.首先,根据CenSurE特征点提取的快速性和精确性,使用该特征和单应性变换模型快速、准确地配准运动序列帧间图像,从而补偿摄像机运动引起帧间背景的平移、旋转和缩放量.然后,在时域对背景配准帧用帧差信息生成运动前景掩模,根据前景掩模的空域信息建立动态更新的实时背景,并使用空域背景减除和一种基于概率统计的自适应阈值分割方法提取较为完整的前景运动目标.最后,通过标准视频序列进行测试以验证算法的有效性.实验结果表明,该算法能够达到15 frame/s的处理速度,且在保证检测速度的同时可得到完整的运动目标,基本满足动态场景中运动目标检测的快速性、抗噪性、光照适应性以及目标完整性等指标.     

一种融合雨滴检测算法的混合高斯模型

介绍了一种融合了雨滴检测算法的混合高斯模型,针对雨天气候下的场景,对雨中运动目标的检测有较好的准确性.首先建立自适应混合高斯模型,然后结合混合高斯模型参数对雨天视频图像进行雨滴检测,并恢复得到一张较贴近无雨状态的图像,再用混合高斯模型对运动目标进行检测,最终得到一个贴近真实目标的检测区域,并对混合高斯模型参数进行自适应更新.     

Robust Object Detection in Severe Imaging Conditions using Co-Occurrence Background Model

In this study, a spatial-dependent background model for detecting objects is used in severe imaging conditions. It is robust in the cases of sudden illumination fluctuation and burst motion background. More importantly, it is quite sensitive under the cases of underexposure, low-illumination, and narrow dynamic range, all of which are very common phenomenon using a surveillance camera. The background model maintains statistical models in the form of multiple pixel pairs with few parameters. Experiments using several challenging datasets (Heavy Fog, PETS-2001, AIST-INDOOR, and a real surveillance application) confirm the robust performance in various imaging conditions.     

一种改进的基于光流法的运动目标跟踪算法

运动目标跟踪需要从背景中准确地检测出感兴趣目标并实现有效率的跟踪。文章结合Codebook模型和光流法提出了一个新的目标跟踪方法,首先用Codebook模型检测得到感兴趣目标,然后提取感兴趣目标内部的特征点并用光流法进行跟踪,跟踪过程中实时更新用以跟踪的目标内部的特征点。当目标发生遮挡时,采用Kalman滤波器预测目标的位置,遮挡结束后根据Kalman滤波器预测的位置和Codebook检测结果重新初始化感兴趣目标内部的特征点。实验结果表明,该算法具有较好的鲁棒性和较高的准确率,能够满足实时跟踪的要求。