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.     

视频监控中一种完整提取运动目标的检测算法

提出一种视频监控中完整、精确提取运动目标前景的检测算法.首先对彩色图像建立混合高斯模型,由背景差分法得到基本准确的前景图像;然后和对称差分法图像综合,得到完整可靠的运动目标图像;再利用亮度信息消除运动目标阴影;最后利用形态学滤波和连通区域面积检测进行后处理.实验结果表明,该算法检测的运动目标前景信息完整准确,对固定场景下的视频监控系统具有一定实用价值.     

一种基于码本的监控视频运动目标检测算法

针对监控系统获得的彩色视频序列,根据连续采样值的颜色相似度及其亮度范围,将背景像素值量化后用码本表示,利用减背景的思想对新输入的像素值与其对应位置的码本作比较判断,提取出前景运动目标像素。该算法计算复杂度小、占内存少,能够在存在前景运动的过程中提取背景,并能处理光照变化。     

一种两阶段的视频图像关键帧提取方法

根据对航拍视频进行实时全景图拼接的实际需求,提出一种两阶段的关键帧提取方法。第一阶段利用飞行时间与重叠率的线性关系,以较高重叠率提取准关键帧,第二阶段对准关键帧进行逐帧检测,进一步降低冗余,最后确定关键帧,为全景图拼接做好准备。经实验检验．该方法能够提取出有效关键帧,具有可实用性。     

室内监控中一种运动目标检测的精确算法

针对室内环境的特点,本文提出了在室内视频监控系统中进行运动目标提取时算法所需要满足的基本要求,并提出了一种能够满足这些要求的方法.采用基于颜色的混合高斯模型(MoG)给场景中每个象素点建模,根据光照的变化对像素点亮度值的影响的分布情况,实现光照突变检测.利用帧间差分法检测运动物体的灵敏性,加快消除了因物体的移入移出造祆成的"影子"现象.实验结果证明,本文运动目标探测算法对室内视频监控系统的运动检测和消除虚假报警具有较好的实时性和稳健性.     

一种道路车辆监控视频中的关键帧提取方法

针对道路监控视频中特定车辆图像序列的关键帧提取问题,在运动对象检测的基础上,提出一种关键帧提取方法。将积分通道特征和面积特征作为图像特征描述子,结合Ada Boost训练分类器,实现道路监控视频车辆序列图像中关键帧的提取。通过运动对象前景检测技术获得出现在监控区域的运动车辆最小外接矩形图像序列,选择满足监控分析需求(车牌清晰度高,能判断车型)的若干帧作为正样本,其他不满足监控分析需求的作为负样本,提取样本图像的面积特征和积分通道特征,利用Ada Boost方法训练得到一个分类器,使用Ada Boost分类器对测试样本进行分类,根据打分规则提取关键帧。实验结果表明,该方法能提取运动车辆从进入到离开监控区域的序列图像帧中最清晰的图像,实现道路车辆监控视频分析数据的有效压缩。     

视频图像序列运动目标检测及轮廓提取

考虑到人类视觉对图像轮廓特征的敏感性,将目标检测与轮廓提取结合起来,实现了目标轮廓自动提取的方法.首先采用了背景差法跟踪视频图像序列中的运动目标,并采用了自适应背景更新的方法更新背景图像,结合活动轮廓模型法GVF Snake进行目标轮廓的提取,从而得到具有精确边界的运动目标.实验结果表明这种方法运算速度快、能够快速地收敛到目标轮廓、准确地跟踪目标,实现实时自动轮廓跟踪.     

视频图像序列中运动目标区域检测算法研究

文章针对视频图像的特点,提出一种基于背景差分法的运动目标区域检测算法。该算法利用当前图像与背景图像作差分,并采用一阶Kalman滤波实现动态背景图像的更新,接着采用自适应阈值法进行运动区域分割,经过滤波处理即可得到运动目标区域。实验结果表明所提出的算法具有较理想的效果。     

DSP视频监控中运动目标检测方法研究

对高斯模型的更新做出改进,以找到一种快速、有效的、适合DSP运算的算法.高斯模型的参数对背景模型判别产生的影响是不同的,因此它们的更新对于背景模型判别产生的影响也是不相同的.学习率直接影响模型参数的更新,如果对所有参数采用同一学习率,当学习率取值比较大,适应环境变化能力强,但容易受噪声影响,不够稳定;当学习率取的比较小,适应环境变化的能力就低,但是具有鲁棒性.利用均值和方差对背景模型判别影响不同这一特性,对均值和方差的更新采用不同的学习率,在保持可行的算法复杂度的情况下,使背景模型能够适应背景的变化.     

基于非负矩阵分解与相似性分析的运动目标检测

提出一种结合修正的非负矩阵分解与向量相似性分析进行运动目标检测的方法。该方法首先使用修正后的非负矩阵分解算法从连续图像序列中恢复出背景图像,然后分析待检测帧像素点与恢复出来的背景模型之间的相似性,根据相似性的高低区分背景与前景。为了减少计算量,降低动态背景对检测结果的干扰,该方法在进行相似性分析之前,通过核密度估计的方法对运动区域进行估计。实验结果表明,该方法能够较为精确地恢复出背景图像,并有效地检测出运动目标。     

视频中运动目标检测算法研究及实现

背景建模是视频监控中检测运动目标的一种常用方法。针对固定场景的视频,给出了一种视频运动目标检测算法。利用混合高斯建模的背景差分法,在复杂背景条件下提取出运动目标,在OpenCV库函数的支持下进行编程测试,算法可以准确地检测运动目标。实验结果表明该算法的有效性、优越性和可行性。     

基于运动相似性的运动对象分割算法

由于全局运动参数在一些情况下不能很准确地被估计,因此基于全局运动补偿算法存在一定的局限性。该文提出了一种基于运动相似性的视频运动对象的分割算法。该算法对运动矢量场进行累加和滤波处理,根据运动相似性对运动对象进行初次分割,并利用空间相关性进行二次分割,细化运动对象边缘。实验结果表明该算法避免了全局运动补偿算法的局限性,并使分割的精确性有明显提高。     

智能视觉监控中的目标检测与跟踪技术

介绍了智能视觉监控中运动目标的检测与跟踪过程所涉及的各项关键技术,主要包括目标提取、阴影检测、目标分割和目标跟踪等。对各项技术的基本原理和主要实现方法进行了分析和总结,并指出了各种方法的特点、存在问题及解决方案。     

智能视频监控中运动目标检测的研究

针对某武器试验中背景复杂,现有的背景差分法在背景模型的维持和更新不能用于长期和复杂的场景,以及对近地目标提取检测困难的问题,提出一种改进的背景差分法。该算法采用结合邻域信息的背景差分法和最大方差阈值法,能够在一定程度上减小背景滞后更新引起的运动目标检测误差,且使目标边缘提取更加明确,从而提高了系统的运行速度,实现复杂背景下的运动目标检测。在Visual C＋＋6.0中用OpenCV实现了相关算法的设计,并给出了完成系统任务所需的部分关键代码,实现了运动目标和试验场景的分离与提取。仿真实验验证了该算法的有效性以及实时性。     

基于视频聚类的关键帧提取算法

关键帧可以有效减少视频索引的数据量,是分析和检索视频的关键。在提取关键帧过程中,为了解决传统聚类算法对初始参数敏感的问题,提出了一种改进的基于视频聚类的关键帧提取算法。首先,提取视频帧的特征,依据帧间相似度,对视频帧进行层次聚类,并得到初始聚类结果;接着使用K-means算法对初始聚类结果进行优化,最后提取聚类的中心作为视频的关键帧。实验结果表明该方法可以大幅提高关键帧的准确率和查全率,能较好地表达视频的主要内容。     

A Fast Moving Object Extraction Method based on H.264 Compressed Video

针对H.264压缩域的运动对象分割问题,提出了一种基于 Fisher 准则的运动对象分割方法.首先将运动对象中每个宏块中子块的运动矢量进行加权,获取每个宏块的运动矢量,然后利用多帧的运动矢量进行累加,获取整个宏块的运动矢量,最后使用Fisher准则将运动对象的矢量分类,从而获取H.264压缩域中的运动对象.通过实验证明,在基本满足运动对象分割准确率的前提下,达到了较好的实时性.     

面向矿山监管的无人机视频关键帧影像动态提取方法

为满足对露天煤矿违法开采实时监测需求,提出了一种基于无人机瞬时航飞速度的视频关键帧影像动态提取方法。首先对无人机采集的视频影像进行预处理,提取视频影像中无人机瞬时飞行速度、飞行航高等信息;然后基于提取的相关信息加权化处理并结合相机参数进行计算,得出抽取关键帧所需的动态间隔,再对关键帧时间间隔进行加权和阈值约束处理,提取出关键帧的动态时差。实例验证表明,采用该方法提取的关键帧影像进行矿区三维重建,在保证三维场景的同时有效提高了数据处理速度,且比等时差法用时缩短了近5倍,显著提高了三维重建的效率。     

基于视频图像的运动目标检测与识别

运动目标检测是场景监控的核心技术,而目标的阴影在很大程度上影响了目标的形状,干扰了真实目标的检测.本文提出以混合高斯模型为基础,利用背景差分法获得目标图像,将亮度,色度信息和归一化互相关函数的阴影检测法相结合对视频图像的阴影进行消除,并用形态学的方法对检测结果进行处理,实验证明该方法是可行的和有效的.     

一种面向运动目标的关键帧自动选择算法

为了避免变电站现场监控不到位引发的误作业、误入现场等事故,通常基于场景重构技术对现场目标状态进行实时监控。本文分析研究运行状态下变电站设备的实景建模,并提出一种运动目标关键帧自动选择方法。首先基于金字塔结构的KLT算法来跟踪特征点,然后利用两步分解法计算目标姿态的变化,并通过短时间内的目标姿态变化来预测目标的实时状态。为了评估提出方法的有效性,从相对误差（RE）、均方根误差（RMSE）和绝对轨迹误差（ATE）方面与参考轨迹进行定性和定量的比较评估。实验结果表明,提出算法的数据冗余率减少约40％~60％,位置定位和场景构建的实时性和鲁棒性得到显著提高。