复杂场景下的实时运动目标检测

提出一种改进的混合高斯模型算法对复杂场景中的运动目标进行实时检测.该算法首先在模型更新过程中提出一种相似模型调整策略,通过对模型值接近的模型的均值、权值、学习速率等进行自动调整,从而使算法更快地适应光照变化;然后基于尺度不变性局部三值模式纹理特征对检测结果进行校验,以快速有效地消除运动目标的阴影和光照渐变及突变的影响;最后设计一种图像尺度变换方法以提高算法的实时性.与现有算法相比,本文提出的方法能更好地在复杂背景中稳定检测运动目标,同时显著提高目标检测的效率.试验结果验证了本算法的有效性.     

基于混合高斯模型的新型目标检测系统

针对传统混合高斯模型计算量过大及其在非平稳背景下存在的问题,提出一种新型运动目标检测系统。该系统引入模型等权重初始化策略,改善了视频检测初始阶段的效果;通过基于线性均差的模型匹配方法,减少了对方差的运算次数,有效减少了模型的计算量;加入干扰信息处理模块,以增强模型在复杂背景下的生存能力。经实验验证,新型系统准确检测出了视频初始阶段的多运动目标,可使进入场景后停留的目标快速融入背景,并能有效克服非平稳背景的扰动。实验结果表明该系统相比经典模型,准确性和鲁棒性均有明显改善。     

复杂环境下基于高斯混合模型的目标检测方法

在视频监控系统中,噪声和背景的扰动对于运动物体的检测都会产生显著影响。本文提出了一种改进的基于高斯混合模型的运动目标检测方法。该方法首先根据每个像素点在各高斯模型的时间尺度上的概率来更新权值得到背景图像;然后通过自适应阈值采用背景减除法检测出运动目标。实验表明该方法对于噪声和背景扰动都具有较强的鲁棒性。     

复杂交通场景中的运动目标提取方法

研究复杂交通场景中运动目标提取的背景差减法及背景图像的生成。在传统的基于混合高斯模型的基础上,利用相邻像素之间的作用关系修正高斯模型参数估计的学习速率,使算法有较强的抗干扰能力。给出一种改进的基于阴影区域纹理统计特性的阴影去除方法。实验结果表明,2种方法的结合可以准确地从复杂交通场景中提取运动目标。     

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.     

改进的基于GMM的运动目标检测方法*

针对传统混合高斯背景建模(GMM)在一些复杂场景下未能有效地描述背景,提出了一种改进算法.该算法引入更新和消退控制因子改进参数更新模型,并定量约束运动目标停留时间,采用从时间域上过滤得到的快速变化的背景进行背景减除操作,最后在空间域上对检测结果进行数学形态学的处理.实验结果表明,该算法能够提高背景建立和形成速度,增强对背景扰动和光照变化的抗干扰能力,对固定摄像机场景下运动目标的检测具有良好的鲁棒性.     

复杂工业场景目标实时检测方法

针对现代生产中对柔性化和智能化的需求,为了提高智能加工机器人的工作效率和适应性,使其能精确快速的识别检测各类目标,提出了一种基于YOLOv3模型的多尺度视觉检测方法,该方法可对复杂工业环境背景下的常见目标进行实时检测。该方法检测的对象为轴承、螺丝刀、齿轮、钳子、扳手、螺栓、螺帽、垫片、榔头、锉刀、车刀十一类工件。该方法结合SPP-Net及ResNet,通过单个卷积神经网络将分辨率418×418输入图像处理为52×52、26×26、13×13三个不同尺度的特征图分别进行预测,通过NMS算法得到最终结果。该方法在保证效率与准确率的情况下实现了复杂工业环境下的目标检测,使用的网络结构为在YOLOv3的基础上进行了改进后的CIS-YOLO,在GTX1060上本文使用750张图片作为测试集,完成测试所用时间为17s,测试速度达到了44FPS,精度达到了91.67%。检测的精度较YOLOv2增加了1.38%,测试速度提升了15%;较YOLOv3精度增加了2.61%,测试速度提升了39%。实验结果证明该方法满足了高精度实时检测的要求,该研究可为机器人快速高效率在复杂工业环境背景下目标检测提供依据。     

复杂场景下有效的遗弃物检测方法

为了解决遗弃物检测过程中的遮挡以及其他静止目标干扰问题,提出了一种有效的遗弃物检测方法。采用选择性更新策略更新混合高斯背景模型,从而得到包含运动目标以及静止目标的前景;采用双阈值的方法提取静止目标,并通过目标静止后累积的证据及允许遮挡时间参数处理虚警和遮挡问题。通过对静止目标区块的特征提取,排除静止行人及车辆的干扰以实现遗弃物的检测。多场景下的实验分析表明,该方法在复杂背景条件下达到了良好的检测性能。     

一种多级运动目标检测算法

为了提高Javed等提出的运动目标三级检测算法的稳定性,文中对其处理方法做出改进;在像素级处理阶段,采用每一个像素点及其邻域组成的集合作为特征矢量来描述图像,对YUV格式的彩色图像的不同颜色分量分别建立混合高斯模型,得到背景模型后,计算出Sobel边缘检测得到的边缘点的统计分布;在区域级处理阶段,将彩色图像分割与背景建模结合起来,得到具有精确边缘的运动目标,并利用边缘信息消除干扰目标;实验结果表明,即使在前景纹理、颜色比较一致且与背景对比不是很明显的情况下,改进后的方法也能完整地检测出运动目标.     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背蒂模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验．比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。     

一种联合图像分割与背景建模的运动目标检测算法

介绍了在混合高斯模型的基础上,采用每一个像素点及其邻域组成的集合作为特征矢量来描述图像,对YUV格式的彩色图像的不同颜色分量分别建立混合高斯模型,从而确定是否有变化发生.为充分利用空间信息,提出将彩色图像分割与背景建模结合起来,得到具有精确边缘的运动目标.实验结果表明,即使在前景纹理、颜色比较一致且与背景对比不是很明显的情况下,本方法也能完整地检测出运动前景.     

基于改进混合高斯模型的运动目标检测方法

针对传统高斯模型易将背景显露区域检测为前景问题与对复杂场景下噪音处理效果差的缺陷,提出了一种混合了三帧差算法的改进混合高斯模型算法. 利用三帧差算法快速确定背景显露区域与前景的优势,提高了算法对背景显露区域的适应性;提出一种背景模式邻域更新法,提高了对复杂背景噪音的抗干扰性. 通过实验证明,该算法与传统方法相比,在复杂背景下减少了大量噪音,学习周期短,提高了对天气、摄像头震动等干扰的抗性,优化了背景显露引起的“影子”噪音问题.     

基于改进混合高斯模型与阴影去除的目标检测

随着计算机视觉和摄像设备的日益普及,目标检测技术已经成为一个重要的研究领域。虽然提出了几种目标检测方法,但由于其适用性与局限性,并不能解决实际复杂场景中的各种挑战。针对传统混合高斯模型对动态背景、光照变化和阴影敏感等问题,提出一种混合高斯模型的改进算法,用于视频中目标检测。该方法首先通过传统混合高斯模型获取当前帧目标的粗略区域;通过将双级学习率和组合权重引入混合高斯模型,从而区分出运动区域与包含动态背景的背景区域;然后进一步利用基于颜色特性与空间连续性的方法去除阴影;最后通过形态学处理提取出准确的运动目标区域。对比实验表明,所提方法不仅能够有效去除动态背景,而且能够有效抑制阴影和光照变化的影响。     

一种改进的混合高斯模型背景估计方法

传统混合高斯模型一般为每个像素分配固定的高斯分布个数,从而造成背景形成速度的减慢和系统资源的浪费;同时也存在着高斯模型背景建模中的缓慢或滞留运动物体造成目标误判现象的问题(即空洞问题)。为此,提出了一种有效的两阶段视频图像处理方法。该方法在第一阶段根据像素点的优先级大小自动地调节高斯分布的数目,在第二阶段首先对像素点进行所属区域的划分,进而对目标区域和非目标区域采取不同的更新手段。实验表明,采用两阶段视频图像处理方法明显地改善了背景建模的速度,有效解决了提取目标出现的空洞问题。     

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。     

基于高斯混合模型的海面运动目标检测

提出了一种基于变化检测的高斯混合模型参数估计方法,建立了象素点背景模型并用于海面运动目标的检测。在实验部分,将该方法估计的高斯混合背景模型的参数与基于迭代的EM算法估计的模型参数做比较,模拟实验的结果表明两者估计的参数值相差不大,而在对视频流中的象素点灰度值分布的逼近中,该文的方法比EM算法更接近真实的分布,并且在一定程度上减少了建立背景模型的所需的内存和计算时间。运动目标检测的结果表明,使用该方法建立的背景模型可以比较准确地检测到海面上的运动船只。     

一种基于多层背景模型的前景检测算法

动态场景中的前景检测是后继处理的基础和制约整个智能视频监控系统稳定性、可靠性的关键。为了在保证运动目标检测的基础上,进一步检测出前景中的静止目标并消除"鬼影(Ghost)",提出了一种基于多层背景模型的前景检测算法。该算法将背景分为参考背景和动态背景两层,分别采用单高斯和混合高斯模型进行背景建模。在线检测时,采用动态背景提取变化前景,用动态背景与参考背景之间高斯分布的差异提取静止前景,同时,通过逐层分析,比较输入像素与两层背景模型分布的相互关系,快速消除Ghost,降低虚警。实验结果表明,多层背景模型具有良好的检测性能和实时性,为后继跟踪、分类等处理提供了坚实的基础。目前,以该算法为核心构建了一个实时目标检测、跟踪系统,对图像大小为320×240的视频序列的平均处理速度达到15帧/s。     

新型背景混合高斯模型

针对背景减除法中经典混合高斯模型计算量过大的问题,提出一种新的背景混合高斯模型。该方法利用偏差均值作为判断模型是否与当前像素值匹配的阈值参数,有效减少了经典模型中由于开平方及指数运算带来的庞大计算量;同时引入持续平稳时间的概念,采用非线性权值更新方法,能够使较长时间停留在场景中的物体迅速成为背景。实验结果表明,该方法显著提高了背景模型的计算效率。     

复杂条件下运动物体的视频检测

提出了一种适合于复杂条件下运动物体视频检测的新方法。首先采用改进的点状相关图法检测出可能存在运动物体的区域,然后对可能存在的运动区域二值化并采用形态学算子去除环境噪音和光线的干扰,精确地确定运动物体的轮廓。大量实验验证了该方法的有效性和实用性。     

复杂场景中基于拓扑空间网格的碰撞检测算法

为了提高复杂场景的碰撞检测效率,提出一种基于拓扑空间网格的碰撞检测算法. 由于场景中存在众多形状复杂、尺寸不一且运动状态不同的物体,首先采取场景预处理对空间进行均匀八叉树网格划分,建立物体方向包围盒层次树与空间网格拓扑结构,利用静态大尺寸物体分割策略提升定位精确性,然后在实时检测中利用拓扑空间网格及投影相交测试排除大量不相交物体对,利用层次包围盒算法对潜在碰撞对进行精确检测并计算出碰撞点. 实验结果表明,本算法有效地提高了实时检测的效率,适用于复杂虚拟场景中的碰撞检测.