集成多特征信息的运动阴影检测

为实现监控场景中运动目标和阴影的准确分割,提出了一种基于GMM和MRF的运动阴影检测与消除算法.首先,利用GMM的学习能力建立背景统计模型并得到前景区域像素集合.其次,将前景区域与对应背景区域间的颜色、边界、纹理和时空一致性等特征信息集成到马尔可夫随机场能量函数中,并利用图割算法实现马尔科夫随机场能量函数的最小化,得到...     

一种基于混合高斯模型的运动目标阴影检测策略

视频的目标分割与阴影检测技术是计算机视觉领域中最主要的研究方向之一。基于混合高斯模型,提出一种双重阴影检测策略。先通过HSV模型下的颜色夹角确定疑似阴影,再对运动目标和疑似阴影进行混合高斯建模从而消除实际阴影。实验结果表明,该策略在不影响目标识别的情况下可以较好地检测并消除在不同光照环境下的随伴运动目标阴影,具有较高的鲁棒性,从而能保证目标检测的连续性和准确性。       

基于BP神经网络的特征融合遥感图像阴影检测

针对遥感图像中地物遮挡形成阴影,导致阴影区域地物信息受损的问题,提出一种基于BP(back propagation)神经网络的特征融合遥感图像阴影检测方法,该方法共分为预处理、特征提取、特征融合和后处理4个阶段。为了克服现有单一特征阴影检测方法的局限性,共设计了蓝绿波段归一化、主成分分析、HSI(hue,saturation,intensity)空间和灰度矫正色调4个特征提取分支,然后通过BP神经网络实现多特征的深度融合。实验表明,所提方法提取的阴影掩膜完整性高、边缘区分良好,对水体等易混淆的非阴影地物也能很好地区分,说明本文方法具有较好的鲁棒性。     

基于彩色空间多特征的高空间分辨率遥感影像阴影检测

高空间分辨率遥感影像中的阴影检测对于影像的目标识别和信息恢复十分关键。针对单一特征阴影检测中普遍存在的强反射性地形、地物漏检和水体错检的情况，提出了一种基于彩色空间多特征的阴影检测方法：首先，利用改进的阈值法进行一般阴影的检测；然后利用色调值较高的特征检测包含强反射性地形地物的阴影区域；再利用水体在RGB不同波段的反射亮度差值来进行水体与阴影的区分。实验结果表明：该方法较好地克服了阈值反复试算、包含强反射性地形、地物阴影区域漏检和水体错检的问题，提高了阴影的检测精度。     

图像多特征融合的障碍物检测

针对室外环境中障碍物和地面图形区分不明显时,利用易受光照及噪声影响的颜色或亮度信息检测障碍物会出现误判和漏检的现象,采用多特征融合的方法对障碍物进行检测。首先使用LBP算法提取图像纹理特征,使用自适应Canny算法提取障碍物边缘信息,将纹理特征和边缘信息进行线性加权,再利用高斯建模方法更新背景信息,最后通过比较前后帧总体差异判定障碍物。与传统三帧法、平均背景建模法、高斯混合建模法的实验对比结果表明:该方法相比利用单一特征进行障碍物检测的方法具有更好的鲁棒性。     

基于多源信息的阴影检测

阴影检测在车辆检测中具有关键作用。针对目前车辆检测算法中阴影常被误检为前景目标的问题,提出了一种基于多源信息的阴影检测算法。首先进行前景目标的提取;然后分别进行基于边缘、HSV颜色空间和光学不变性信息的阴影检测;最后根据三种信息检测结果的综合分析确定阴影点。实验结果表明,该算法具有很好的阴影检测效果。     

基于快速的混合高斯模型的运动目标检测算法

针对传统高斯模型实时性差的问题,该文提出了一种快速的背景更新策略.首先对彩色图像建立混合高斯模型,根据场景中象素点的稳定性来调整模型参数的更新速度;其次利用混合颜色空间的阴影检测算法消除前景图像的运动阴影;最后对该文方法进行了验证性实验,结果表明提出的运动目标检测方法有效、实时性好、对光照有较强鲁棒性.     

基于多特征融合和信息熵优化的前车检测

针对高速公路前车检测中单一特征易受光照、天气等环境因素影响的问题,提出一种基于多特征融合和信息熵优化的检测算法。首先,利用自适应大津算法对路面进行阈值分割,生成若干车辆假设区域;其次在方向梯度直方图(histogram of gradient, HOG)特征的基础上,引入几何特征、纹理特征和幅值特征构造特征向量,并根据信息熵对特征向量进行优化;最后,训练支持向量机(support vector machine, SVM)验证假设区域。实验结果表明,该算法提高了前车检测的准确率,扩大了前车检测的适用范围。     

HSV空间特征和纹理特征的阴影检测算法研究

为了提高检测和跟踪算法的准确性,提出了一种基于阴影在HSV空间下的特点和纹理特征的阴影检测与去除算法。该算法针对阴影区域覆盖的地面和未被阴影区域覆盖的地面纹理特征基本不变的特点,先检查序列图像中的运动区域,然后在运动区域内,根据阴影在HSV空间下的特点和纹理特征对阴影进行检测与去除,为运动目标的后续处理排除阴影干扰。实验结果表明,该算法能够很好地抑制噪声,有效检测、去除图片中运动目标的阴影。     

基于多特征融合的科学仪器工作状态检测方法

针对单一特征量状态检测的非鲁棒性,提出一种应用多特征融合技术的科学仪器工作状态检测方法。建立了条件约束方程组对基于圆内接直角三角形的圆检测算法加以改进。提出串并联混合结构模型,采用各特征量的模糊置信度作为模型输入,依据全局融合中心得出的综合置信度,决策出科学仪器工作状态指示灯的指示状态。EMX-SM7型电子探针的应用实验表明,该方法可以在多变的环境中准确可靠地完成在线检测任务。     

基于多特征融合的高精度视频火焰检测算法

针对目前视频火焰检测算法无法达到高检测率、低误检率的工程应用需要,提出了一种使用Choquet积分进行火焰多特征融合的检测算法。首先通过优化运行期均值法进行背景建模,然后对疑似区域进行边缘分形维数检测、角点形心运动轨迹检测和图像相关性检测,最后对模糊化的特征检测结果计算Choquet积分,并以此判断火焰是否存在。试验表明,本文提出的检测算法高效、快速,具有较好的应用前景。     

一种基于多特征融合的视频目标跟踪方法

针对复杂场景下多特征跟踪算法适应性不强的问题,提出一种多特征有效融合和更新的目标跟踪方法.该方法首先在粒子滤波框架下采用加权融合的方式对目标进行多特征观测和相似性度量,通过分析粒子的空间集中度和权值分布建立一种有效的融合系数计算方法,使融合结果更加准确可靠.然后选取可信度高的特征检测遮挡,并动态调整目标模型的更新速度,以降低算法受目标变化和部分遮挡的影响.实验证明该方法对复杂的跟踪场景具有更强的鲁棒性,并适用于目标被遮挡时的跟踪.     

基于多特征融合的运动物体识别方法研究

为了实现运动目标的实时检测,本文基于多特征融合,提出了一种运动物体分级识别方法.首先通过对运动目标的分割,分析得到各个物体的形状矩特征、面积大小及运动速度.对上述特征,采用支持向量机方法对其矩特征进行快速的一级分类,然后对一级分类结果及各物体的面积、速度等信源根据其对分类的重要程度,采用模糊积分技术进行多特征融合分类.实验表明,本方法具有较强的学习能力及较高的识别精度,可有效地应用于道路监控等系统.     

一种基于多特征融合的棒材在线跟踪算法

针对棒材在线计数系统中多运动目标的跟踪问题,提出了一种利用棒材端面二值图像的垂直投影曲线的运动特征、几何特征和位置特征来实现快速、稳定跟踪的算法.它能够在线自适应选择跟踪窗口的位置和大小,然后依据距离相关度、面积相似度和置信度函数评价每次的观测数据,使得跟踪过程具有良好的容错性.现场应用结果表明：该跟踪算法实时性好、可靠性高,保证了棒材在线计数的准确性.     

基于多特征融合的人体动作识别

提出复杂环境下基于特征融合的日常动作、突发异常(摔倒)行为检测方法. 利用人的姿态、姿态变化速率特征、人的位置变化特征表征人的运动状态,通过合成简单的姿态事件并结合特征来表达具有复杂时空关系的运动事件. 该方法计算复杂度小,对目标大小的变化具有较好的鲁棒性,在智能交互、服务机器人自主服务系统中具有实用价值.      

Multi-target tracking method based on the adaptive fragment and multi-feature fusion

In order to solve the problems of occlusion, appearance change and similar targets in multi-target tracking, this paper proposes a multi-target tracking method with the particle filter based on the adaptive fragment and multi-feature fusion. First, we divide each target into a few fragments adaptively according to its gray projection and describe each fragment with the color histogram and histogram of oriented gradient(HOG) feature, of which similarity can be obtained by adopting the weighted Bhattacharyya Coefficient. Then, we obtain particle sets of each target by FCM clustering. The optimal state estimation of each target is calculated through particles state in the subgroup. Finally, the weighting factor of each fragment is updated according to the reliability which is calculated by considering particles space information. Experimental results show that the proposed method can track the targets in many complex circumstances accurately and robustly.     

An efficient approach for shadow detection based on Gaussian mixture model

An efficient approach was proposed for discriminating shadows from moving objects. In the background subtraction stage, moving objects were extracted. Then, the initial classification for moving shadow pixels and foreground object pixels was performed by using color invariant features. In the shadow model learning stage, instead of a single Gaussian distribution, it was assumed that the density function computed on the values of chromaticity difference or bright difference, can be modeled as a mixture of Gaussian consisting of two density functions. Meanwhile, the Gaussian parameter estimation was performed by using EM algorithm. The estimates were used to obtain shadow mask according to two constraints. Finally, experiments were carried out. The visual experiment results confirm the effectiveness of proposed method. Quantitative results in terms of the shadow detection rate and the shadow discrimination rate（the maximum values are 85.79% and 97.56%, respectively） show that the proposed approach achieves a satisfying result with post-processing step.     

基于GMM与三维LBP纹理的视频火焰检测

针对候选区域提取准确度问题及火焰特征的描述能力,提出一种基于高斯混合模型(Gaussian mixture model, GMM)与三维的局部二值模式(local binary pattern, LBP)纹理特征的火焰检测算法,分析火焰在RGB与HSV两个空间中的分布规律,训练出火焰的高斯混合模型,提取火焰候选区域。重点研究火焰的纹理特征,将LBP纹理与火焰的运动特征相结合形成一种新的三维LBP纹理,提高纹理特征对火焰的分类效果。使用单分类支持向量机(one-class support vector machine, One-class SVM)分类方法,判定候选区域是否为火焰。     

Study of multi-feature fusion methods for distribution fields in object tracking

In order to improve the robustness of the distribution fields (DF) as an object model in object tracking, we propose a mutli-feature fusion framework for the distribution fields. In the original DF-based method, the density histogram was used to estimate the DF of a pixel, but the structural information was ignored. For effective representation of the structural information in the DFs, a special type of coding for the featured points which contain structural information is merged into the DFs. Experiments show that the new method outperforms the original method and four other state-of-the-art tracking algorithms for some challenging video clips.