动态场景图像序列中运动目标检测新方法

在动态场景图像序列中检测运动目标时,如何消除因摄影机运动带来的图像帧间全局运动的影响,以便分割图像中的静止背景和运动物体,是一个必须解决的难题。针对复杂背景下动态场景图像序列的特性,给出了一种新的基于场景图像参考点3D位置恢复的图像背景判别方法和运动目标检测方法。首先,介绍了图像序列的层次化运动模型以及基于它的运动分割方法;然后,利用估计出的投影矩阵计算序列图像中各运动层的参考点3D位置,根据同一景物在不同帧中参考点3D位置恢复值的变化特性,来判别静止背景对应的运动层和运动目标对应的运动层,从而分割出图像中的静止背景和运动目标;最后,给出了动态场景图像序列中运动目标检测的详细算法。实验结果表明,新算法较好地解决了在具有多组帧间全局运动参数的动态场景序列图像中检测运动目标的问题,较大地提高了运动目标跟踪算法的有效性和鲁棒性。     

复杂景物环境下运动目标检测的新方法

文中提出一种复杂景物环境下自动检测运动目标的新方法。该方法具有四个明显特点：①背景允许任意复杂；②帧间摄像机允许运动；③目标的面积大小不影响算法的效果；④帧间允许的运动光流比较大。大量实验验证了文中方法的有效性和实用性。     

一种改进的运动目标检测方法

视频序列中的运动目标检测是计算机视觉、视频监控等领域的关键问题。背景差分法是目前运动目标检测中最常用的一种方法．而构造一个自适应更新的背景模型是背景差分法的核心。利用运动目标图像变化比背景图像变化要快的特点,提出了一种改进的构建并实时更新背景图像的方法。实验表明,该方法计算量小、实时性好、并且能够确保较好的检测精度。     

一种改进的复杂场景运动目标检测算法

提出了一种复杂场景视频序列中运动目标精确检测及提取的改进算法,该算法首先采用混合高斯模型(简称GMM)对背景及前景建模快速地实现前景运动区域提取,然后结合目标帧间相关性和随机噪声帧间无关的特点采用时间滤波(Tem-poral Filter)法和数学形态学进行后处理.实验结果表明本文所采用的改进算法能准确的提取运动目标滤除动态噪声,提高了检测鲁棒性,对复杂干扰场景下的实时运动目标检测得到了较令人满意的效果.     

一种检测序列图像中运动目标的新方法

运动目标的检测是应用视觉研究领域的一个重要课题。本文提出了一种新的用于检测序列图像中运动目标的方法,实验结果表明了该方法的有效性和实用性。     

一种适用于动态场景的运动目标提取新算法

在动态场景中提取运动目标是开展视频分析的关键问题,也是当前计算机视觉与图像处理技术领域中的热门课题。本文提出了一种适用于动态场景的运动目标提取新算法,算法先根据摄像机全局运动模型计算全局运动参数,再利用三帧差分法得到分割的前景。将分割为背景的像素点映射到邻近帧,求得各帧的像素点为背景时其高斯模型的均值及方差。最后利用粒子滤波预测出下一帧前景区域,计算各像素点为前景的概率,获得运动目标的视频分割结果。实验表明,本文算法有效地克服了由于全局运动模型参数估算偏差而导致的累积误差,能以更高精度实现跳水运动视频中的目标分割。     

一种新的混合模型运动检测算法

设计了一种新的基于自动阈值分割的混合模型运动检测算法。将单高斯背景模型中求解门限阈值的思想引入,实现了混合模型门限的自适应调整和运动目标的分割。为提高运动检测的准确性,使用相邻三帧差法生成的时域运动前景掩模对检测结果进行修正。实验结果表明,混合模型算法不仅能够清晰准确地获得运动目标的完整信息,而且较好地消除了噪声的干扰。     

一种面向停车场场景的运动目标检测与跟踪方法

针对采用固定相机的停车场场景监控视频中可能出现运动目标较长时间停留的情况,提出一种帧间差(Frame difference)和运行期均值(Running average)相结合的运动目标检测方法,然后在卡尔曼滤波以及运动目标直方图和轮廓信息的辅助下实现运动目标的跟踪.实验结果表明,该方法可以在满足实时监控的需求下较好的检测与跟踪停车场场景中的运动目标.     

一种区域级运动目标检测方法

传统运动目标检测方法通常在像素或硬性划分的区域上实现.文中使用分水岭变换自动将图像划分成灰度一致性区域,并以一致性区域为基元进行运动目标检测.针对分水岭变换的过分割问题,在多步形态学梯度图像上进行变换.针对运动目标检测的低虚警率和高实时性要求,直接考察待检测图像中每一个一致性区域与一组背景图像中对应区域间的差异程度,设计灰度差异、颜色畸变及相邻区域间的灰度关系准则综合判断各区域是前景还是背景.该方法与流行的检测方法相比具有较低的虚警率,避免区域级检测方法中的硬性分块问题,同时又具有一定的处理速度.多个室内和室外标准图像序列的测试证明该算法的有效性.     

一种新颖的海上运动目标实时检测方法

提出了一种基于可见光成像序列的海上运动目标的快速检测方法。该方法先在静态图像中分割出感兴趣区域,继而仅在感兴趣区域中应用变形的时间差分法来检测运动目标。在感兴趣区域分割阶段,引入视觉注意力机制,通过构造金字塔结构以及迭代的小尺寸倒三角低通模板运算成功地滤除了海面波浪噪声。在此基础上,检测并分析外边缘,在单帧图像中快速实现了感兴趣区域的分割。大量实验表明,该方法具有实时性好、鲁棒性强等特点。     

在复杂场景中多目标物的检测识别方法

本文提出了一种在复杂场景中实时检测、识别多个目标物体的方法。利用由矩阵码(matrix code)构成的2D矩阵来识别复杂场景中多个目标物。算法不仅能适应目标物体在旋转、缩放、平移变换下的不变性识别．而且能适应仿射及射影变换下的不变性识别。试验结果证明所提供的算法在识别和监视系统中有很好的鲁棒性和实时性。     

基于纹理和灰度差分相结合的运动检测

运动目标检测在智能监控系统和交通检测系统中发挥着极其重要的作用,是视觉系统中的一个重要研究课题。文章提出了一种新的思路,利用图像的纹理信息,并结合图像的灰度差分,对运动图像进行分割,从而检测出运动目标。     

基于运动检测的多车辆跟踪方法研究

针对交通监控场景中多目标粘连造成跟踪上的困难和前后两帧车辆关联困难,提出了区域运动相似性分割方法和相似度关联矩阵的解决方案;在运动目标检测过程中, 首先使用背景差分法提取运动区域,经过消除缺口、空洞和分离等处理,在运动区域所在范围内进行块匹配搜索和局部光流计算区域运动矢量,然后使用模糊聚类方法对运动矢量区域融合,完整的分割出粘连运动目标;在目标跟踪部分,目标跟踪建立在目标关联的基础上,提出建立连续两帧目标间距离和局部二元模式相似度关联矩阵的方法进行运动目标标定,从而实现多目标关联;使用公共视频库的图像序列进行测试,所提算法都能实现连续的跟踪和准确的运动目标分割,且处理速度快,表明了算法具有鲁棒性和适用性。     

复杂运动情况下的多目标检测与追踪

针对多运动目标视频序列中目标存在过缓运动且相互间遮挡的问题,提出一种改进的混合高斯模型(Gaussian Mixture Model,GMM)进行目标检测并结合卡尔曼滤波进行跟踪的新算法;在运动背景检测中,采用三帧差法和混合高斯模型的融合算法进行目标提取,解决了过缓运动目标检测区域不完整的问题;在运动目标跟踪中,由于Kalman滤波器采用目标检测结果进行预测,对观测噪声矩阵进行自适应更新,使得跟踪的稳定性得到加强;通过对比,验证了新算法对存在过缓以及遮挡的不规律运动情况的多目标检测识别与跟踪的实时有效性与准确性。     

复杂场景下的运动目标识别算法

目标识别是计算机视觉的基本目的,同时也是人工智能领域的重要组成部分之一.随着信息化时代的来临,视频采集工具的普及,海量的视频数据给人工识别带来了巨大挑战.现阶段,在智能交通领域、生产质检领域等简单场景中,视频识别技术已经得到广泛的应用.如何从复杂场景中实现目标的识别和检测则成为了更加重要和困难的问题.针对该问题,本文提出了一种复杂场景下的运动目标识别算法.首先,提出一种改进的光流算法,通过时间序列以及空间像素变化对运动目标区域进行快速标记;其次,对目标区域进行滑动窗口检测,匹配人体各部位模型,并将反馈信息利用树形结构进行人体建模,实现在复杂场景下识别运动目标.通过实验进行评估,该方法能够在保证较高准确率的情况下,相比基于深度学习的检测算法检测速度更快,可以满足实时监测的要求.     

动态图像序列中的运动目标检测

根据动态图像序列中背景因成像过程中各种因素而产生变化所存在的复杂性，提出了自适应的前景目标检测方法。首先，建立图像每一像素点的高斯分布模型，并根据序列中的当前帧及历史帧信息自适应地调整模型的参数。然后，结合图像帧间的差分信息以及灰度分布的先验概率等因素将图像从空间域映射至统计域。最后，在统计域中对前景目标进行鲁棒分割。实验的结果反映了该方法的有效性。     

自动分割视频序列中运动物体的新算法：多特征联合方法

视频编码标准MPEG-4增加了适于多种应用的基于视频内容的功能,为了支持这一功能和提高编码效率,MPEG-4将视频序列中的每一帧分解成视频对象面(VOP);另外,由于基于内容的视频检索和视频监控系统均期望用分割出的关键视频对象紧致地表示一个序列,同时由于视频分割技术在模式识别、计算机视觉等领域也得到了广泛的应用,因此,分割视频运动物体并跟踪运动物体的变化变得至关重要.为了对视频中运动物体进行有效的分割,在帧差图象的基础上,采用Canny边缘检测和随机信号的高阶矩检测相结合的方法,来自动分割视频序列的前景区域和背景区域,并在前景区域中应用区域生长法进行颜色分割,以精确提取运动物体的边缘;还利用边缘和颜色特征来对分割出的运动物体建立模板,用于解决非刚体运动中局部暂时停止运动的情况.实验结果表明,此方法可以有效地分割运动物体,并能跟踪运动物体的变化.     

一种视频运动目标的检测与识别方法

给出连续图像帧差分和二次帧差分改进的图像HSI差分模型,采用自适应分割算法能在任意条件下自动提取运动目标区域.定义运动目标的特征分析和计算,通过特征匹配判断,识别所需识别目标的区域.实验结果表明该方法是有效的,且有良好的鲁棒性.     

基于动态规划的红外弱小运动目标的实时检测方法研究

文章针对低信噪比下红外弱小运动目标的特点,提出了一种正向动态规划算法。分析了算法的检测性能,并对算法实现中的一些关键问题进行了讨论。实验表明,该算法适应性强,能有效地完成对低信噪比下弱小运动目标的实时检测、识别与跟踪。     

一种改进的图像边缘检测算法的研究

图像边缘时图像的基本特征之一,阐述了边缘检测的基本理论和传统的边缘检测算子理论,提出了一种改进的图像边缘检测方法。通过实验表明,该方法能够有效的对图像边缘进行检测,目标边缘定位精度较好,并且能有效减少噪声对图像的干扰,从而提高了图像边缘检测的抗干扰能力。