一种改进的运动目标检测和阴影消除算法

提出一种改进的运动目标检测算法,以准确检测不同光照条件下的运动目标。针对前景检测时出现的阴影,提出基于边缘信息的阴影消除算法。该算法与阴影方向无关,能去除目标各方向的大部分阴影,为视频监控系统的后续高级处理排除了阴影干扰。在配置为 2.0 GHz的P4计算机上运行,速度约为20帧/s。实验结果表明了算法的实时性、可靠性和准确性较好。     

运动目标的阴影实时检测和消除

运动目标的实时检测与跟踪是智能监控和视频活动识别应用的基本步骤.运动目标检测把场景分割为前景目标和背景区域,但是在这个过程申运动目标投射的阴影很容易被误分类为前景目标,这种误分类会造成多个目标的合并或目标形状的改变.为了改善运动目标分割的效果,提出一个基于光强、色度和反射率的实时阴影检测和消除的算法,该算法不需要目标的...     

一种基于区域的车辆阴影消除方法

该文给出了一种基于区域的车辆阴影检测方法。首先将运动前景像素检测出来,利用梯度特征分割运动前景的连通域获取投射阴影的方向,然后再结合区域内的角点及灰度相似性特征分割车辆和其阴影像素。实验结果表明该方法可以有效的检测阴影,并且能够满足实时性的要求。     

一种能消除阴影的步态轮廓提取新算法

步态轮廓正确提取是步态识别结果的重要前提.给出一种能消除阴影的步态轮廓提取新算法.根据背景减除法粗定位运动目标区域.并对估计背景和待分帧同一位置的某个像素按照模板生成向量并计算角度.最后对角度设定闲值判断背景(阴影)还是目标.实验结果表明,在给定的步态数据库上,分割目标孔洞少、完整、阴影残留很少,明显优于背景减除结合数学形态学的结果.     

一种基于形态学的运动车辆阴影消除方法

提出一种基于形态学的运动车辆阴影消除方法. 该方法不需要彩色、梯度、模型、空间和纹理信息, 只根据前景目标 (包含车辆及其阴影) 的几何形状, 不仅可以有效区分车辆和阴影, 而且可以有效区分相连的车辆. 实验结果表明, 基于形态学的阴影消除方法既具有较高的可靠性, 也具有较好的实时性.     

一种鲁棒的运动目标阴影去除及修复算法

针对阴影区域对运动前景的干扰问题及归一化互相关系数阴影检测方法的局限性,提出一种归一化互相关系数融合对称交叉熵的阴影检测方法,并根据阴影区域和误检区域各自邻域的前景分布规律,提出一种基于阴影轮廓像素点邻域信息的阴影误检去除方法,对阴影去除形成的前景空洞及断裂进行恢复,最终得到完整准确的运动前景。前景保留率相比归一化互相关系数方法提高40.4%,相比SVM支持向量机方法提高6.3%,耗时约为SVM支持向量机方法的1/153。     

一种基于统计模型的前景阴影消除算法

视频图像中存在的阴影是影响运动目标检测效果的关键因素之一,对阴影进行检测和消除已成为运动检测中的重要研究内容.针对阴影消除问题,本文采用直方图统计方法,将阴影特征引入到传统混合高斯模型中,基于统计特征建立阴影高斯模型;在模型基础上,提出一种新的前景阴影消除算法,将前景像素与阴影模型进行匹配,实现阴影的判定和消除.与同类算法的对比分析表明:本文算法对于不同场景下的阴影消除是准确且实时的,在阴影检测率和阴影区分度上均有显著提升.     

一种基于YUV颜色空间自适应阴影消除算法

针对视频内容分析中的物体检测问题,提出一种新的基于YUV颜色空间的阴影消除方法,相比其他基于YUV颜色空间阴影检测方法,该方法为提高检测精度,使用自适应的动态门限。首先,在RGB颜色空间中使用背景差,得到仅包含目标物体及其阴影的图像。然后在YUV颜色空间中对此图像的色度进行统计分析,搜索出色度变化缓慢的区间,再针对每个色度区间确定对应的亮度区间,获得估计门限。最后,利用以上门限检测并消除阴影。实验结果表明,该方法对不同光照情况下的物体阴影都有很好的消除效果。     

彩色与纹理不变性的阴影消除新算法

针对阴影C1C2C3彩色不变性检测法时间开销大的缺陷,提出了改进的D1D2D3模型阴影检测法,减少了算法的时间复杂度;针对阴影LBP纹理不变性检测法在图像纹理不明显时所存在的误检现象,提出了改进的LPTD算子,提高了算法的准确率.进一步将上述两种改进方法进行有效融合,提出了一种阴影消除新算法,采用SUSAN算子去除阴影强边缘,有效解决了强光给阴影检测带来的误差,再通过形态学处理,消除了图像内部孔洞和噪声.实验结果表明,新算法的阴影消除效果更为理想.     

基于局部纹理特性的运动车辆阴影消除

为解决传统阴影检测算法可靠性和实时性难以兼顾的难题,从交通场景的实际应用出发,提出一种基于局部纹理特性的灰度域阴影消除方法。通过分析阴影的物理模型,得出局部纹理的光照不变性,利用基于比值判决的LBP纹理法来区分运动车辆和阴影,并应用亮度约束和几何启发式准则进一步改善阴影检测效果。实验结果表明,该方法的阴影检测有效率在90％以上,且能较好地满足实时要求,提高低亮度时车辆的阴影检测效果。     

基于运动点积累的视频运动目标提取

通过对视频中运动目标特点的分析,提出了一种提取背景图像的算法。使用运动点积累的方法来更新背景图像,然后应用背景差分准确检测出场景中的运动目标。由于视觉的相似性,使得检测出的目标包含阴影,最后使用阴影滤波函数去除阴影,得到完整的运动物体。实验结果表明,本算法具有较好的实时性和适应性,能检测出比较完整的运动目标信息。     

一种有效的基于时空信息的视频运动对象分割算法

为实现视频编码标准MPEG-4中语义对象的自动提取,提出一种基于时空信息的运动对象分割算法。在时域上通过双边加权累积帧差和分块高阶统计算法得到目标的运动区域检测模板,以在充分利用时域信息的同时提高算法的速度;在提取空域信息时,先对视频序列的灰度图进行对比度增强处理,然后利用自适应Canny算子获取准确的空间边缘信息;最后进行时空融合,用空域边缘信息修正过的时域运动模板来提取运动对象。实验结果表明,本算法可以快速准确地分割视频运动对象。     

改进的混合高斯模型及阴影消除方法

为了有效减少运动目标检测中混合高斯模型的计算量和提高阴影消除的准确性,提出了一种选择性地更新混合高斯模型和基于亮度变化消除阴影的方法。首先,在各个高斯分布进行更新之前,先将其权值与不属于背景的高斯分布的比重进行比较,若前者较大,则此高斯分布不更新,反之则更新;然后,在阴影消除时,将亮度的变化程度作为阴影检测阈值的一个因子,以使其随亮度变化自适应地做出调整。最后,将该方法与传统方法在室内外视频条件下进行了实验对比,结果表明该方法的计算时间约为传统方法的1/3,阴影消除更加准确。     

运动人体阴影检测算法

为了抑制运动人体检测与跟踪中运动人体阴影的影响,提出了一种基于光照模型和图像纹理特征的阴影检测算法.首先依据光照模型理论,将互相关函数引入算法,并根据背景图像和当前图像对应像素点的互相关函数值判断其是否为阴影点.在此基础上,依据图像的纹理特征,将交叉熵函数引入算法,对互相关函数判断为非阴影点的像素,进行二次判断.该算法利用泰勒级数将交叉熵函数中的对数和除法运算转化为乘法运算,简化了运算过程.通过白天和晚上两种条件下的实验,验证了算法的准确性和有效性.     

一种自适应阈值的运动目标提取算法*

为了准确地划分运动目标和背景区域,提出一种自适应阈值的运动目标提取算法,对现有基于背景差的提取算法进行改进。本算法将运动目标和背景作为两个聚类,对图像中的点按像素灰度进行分类,以聚类间的方根—算术均值距离最大作为分割阈值选择的准则,使得运动目标提取算法中二值化阈值能够自动更新,从而实现对运动目标的准确完整提取。实验结果表明,该算法能够较准确快速地提取运动目标,并对环境亮度突变、背景存在微小运动等情况具有较好的鲁棒性。     

基于单高斯背景模型运动目标检测方法的改进

针对背景减除法应用于运动目标检测中的背景模型更新和阴影消除问题,提出了一种改进的单高斯背景模型估计算法和快速的阴影消除方法。实验结果表明,算法在有效去除阴影的同时能够较好地提取运动目标,为后续的人体识别、行为分析等工作奠定了良好的基础。     

改进的基于高斯混合模型的运动目标检测算法

针对固定场景视频监控中,由于运动物体在运动目标检测算法初始化时的存在而导致传统的基于高斯混合模型的运动目标检测算法收敛速度慢的问题,提出了改进算法。该改进算法通过采用在线K-均值聚类方法对混合高斯模型进行初始化,提高了算法的收敛速度。同时在模型更新时,通过对匹配准则和新高斯分布生成准则的改进,节约了存储空间。实验结果表明,与传统算法相比,改进算法能够快速、有效地检测运动目标,具有更好的鲁棒性。     

含运动目标的红外图像非均匀校正算法

通过分析运动目标对基于图像配准的非均匀校正算法校正效果的影响,基于相邻帧之间运动目标辐射强度不变的假设,提出含运动目标的红外图像非均匀校正算法。通过临近帧补全运动目标遮挡的场景,消除运动目标的影响,进行非均匀校正得到场景校正帧,再利用运动目标的辐射信息对各帧运动目标进行非均匀校正,最终得到全图校正帧。仿真和实测红外图像校正实验表明：算法能够很好地解决含运动目标的红外序列图像的非均匀校正问题。     

一种面向扩展空间对象的密度聚类算法

提出一个面向扩展空间对象的基于密度的空间聚类算法,对点、线和多边形等扩展空间对象进行聚类。在该算法中,通过空间对象的缓冲区统一计算各对象在其附近空间的密度值,并根据参数区分两类不同的空间聚类应用场景,从而实现对空间对象的分类。实验表明,算法能够较好实现对空间对象分类。     

An adaptive graph cut algorithm for video moving objects detection

The algorithms based on graph cut have the advantage to detect the moving objects effectively and robustly. The main trouble of the algorithm based on graph cut is that its model parameters will be determined empirically. In this paper, a novel algorithm of adaptive graph cut is proposed to detect video moving objects. Based on Markov random field model, the proposed algorithm uses the numbers of moving objects pixels and objectives-background pixel-pairs to describe the geometric features of the moving objects. And the relationship between the geometric features of the moving objects and the model parameters are set up. In this paper, the model parameters are adaptively optimized through the extraction and prediction of the geometric features of moving objects. Then the detection based on the graph cut is preformed on ROI, which well achieves the balance between the computation and accuracy. Finally, the experimental results show the proposed algorithm can hold the details of moving objects more effectively compared with other algorithms, and improve the detection performance of moving object in the video surveillance.