改进ViBe的运动目标检测算法

针对Vi Be算法存在鬼影、噪点的问题以及不能快速适应复杂背景进而出现误检率高的问题,提出一种改进的ViBe算法。首先算法在背景建模时将8邻域的像素点扩大到了24邻域;其次采用自适应的阈值对复杂背景进行检测;最后为了提高检测目标的准确性,改进的ViBe算法和改进的帧差法通过逻辑与或运算进行结合,并且进行形态学滤波处理对运动目标进行完整的提取。实验结果表明,改进的算法可以在更短的时间内消除鬼影,并且静态背景下检测运动目标的F-measure提升了14.2%,在树枝晃动和相机抖动的复杂背景下,能够得到较为完整和准确的运动目标,并且F-measure平均提升了2.6%。     

基于自适应ViBe的运动目标检测方法及其应用

针对视觉背景提取算法(ViBe)存在精确率低和动态场景适应能力差的问题,提出一种基于自适应ViBe的运动目标检测方法.该方法构建一个基于历史背景像素的样本库,并在像素匹配时随机从样本库中选取背景样本组成背景模型;在像素匹配过程中,对"闪烁"像素设定自适应匹配阈值,解决动态场景适应能力差的问题;在更新过程中,根据匹配度来...     

基于最小误差阈值自适应的ViBe改进算法

针对ViBe算法无法快速抑制鬼影现象的问题,提出一种基于最小误差阈值自适应的ViBe改进算法。文中通过计算每一帧图像的最小误差分割阈值来对鬼影像素点进行判别并消除,加快了鬼影的抑制速度。并且根据样本方差的大小动态调整样本距离判定阈值,提高了该算法检测复杂场景时的准确率。此外,通过计算像素点的梯度值有效地优化了背景模型的更新速率。实验结果表明,改进后的ViBe算法有效地提高了鬼影的消除速度,并且算法的准确率也得到了提升。     

改进型ViBe算法在运动目标检测中的应用

作为计算机视觉领域的热门方向之一,运动目标检测具有很高的理论研究价值和很广的实际应用空间。传统视觉背景提取器(Visual Background Extractor, ViBe)目标检测算法实时性高且内存消耗低,但存在受光照影响大、不能有效抑制拖影区域、无法消除阴影以及检测图像内部空洞等问题。鉴于以上不足,提出3点针对性改进策略：(1)优化算法核心参数。筛选最优值来替换以往经验值,从而提高算法性能,增强算法适应性。(2)引入光强检测算子。阈值半径随光强变化自适应,避免因光照变化而出现拖影区域。(3)增加阴影检测模型。利用感兴趣区域(Region of Interest, ROI)像素分布确定阴影位置,结合运动目标自身特性分割出目标区与阴影区。仿真实验结果证明：改进型ViBe算法不仅能够完整地检测、抓取运动目标,而且还可以有效地抑制拖影区域并消除目标阴影。     

结合前景轮廓提取的改进ViBe运动目标检测算法

运动目标检测是对视频或图像序列进行一系列地分析运算,计算出运动目标在图像中的位置,并将运动目标从复杂背景中提取出来,得到只包含运动目标的图像. ViBe是目前常用的运动目标检测算法,但使用ViBe算法对视频或图像序列中的运动目标进行识别与检测时,存在“鬼影”现象并易受环境噪声的影响,为此,设计了前景轮廓提取算法对ViBe算法改进.构建背景模型时,前景轮廓提取算法使用众数背景建模法建立初始背景及背景序列;前景检测时,使用背景差分法和Sobel算子计算出运动目标区域,使用自适应的多级阈值去噪;最后,将前景轮廓提取算法与ViBe算法求交集,并使用数学形态学处理获取完整的运动目标.同时,设计了CPU-GPU的并行方案,使用CPU并行的计算图像背景,使用GPU加速前景检测.将算法在CDNet2014数据集上进行测试,实验结果表明,算法的检测精确率、召回率、F1分数较ViBe分别提高了32.14%、9.64%、20.76%,漏检率及错检率较低,精度较高;效率方面,算法的平均检测帧率较ViBe算法提升了64.70%,具有较好的实时性.     

基于改进ViBe算法的运动目标检测

运动目标检测是智能视频监控中必不可少的环节,其检测结果的好坏影响着后续的研究。针对ViBe算法的不足,对ViBe算法进行了改进。根据chromacity法检测出阴影,通过在当前像素上添加与平均背景强度之间的差值来移除阴影;根据均值法提取出的背景建立初始背景模型,消除后续帧检测时出现的鬼影;通过缩小更新因子加快背景模型更新速度,快速消除均值法在运动目标过多时不能得到干净背景的问题;用自适应阈值代替固定阈值,引入颜色失真值,根据自适应阈值以及颜色失真值进行像素点分类;对前景目标进行去除小面积连通域操作以降低动态背景及噪声的干扰;通过进行闭运算操作以填充目标区域的空洞。实验采用CDnet 2014数据集进行验证,实验表明,改进算法能够有效地消除阴影和鬼影,提高了检测精准度,检测效果较为理想。     

基于改进ViBe算法的静态场景运动目标检测

针对ViBe算法在静态背景下检测效果较差和检测目标存在鬼影的问题,结合哈希算法和图像二维信息熵的知识提出一种改进的ViBe算法.首先,采用哈希算法对选取的三帧图像进行差分运算,对差分后得到的目标区域进行背景填充以得到背景图像,再对背景图像进行背景建模,从而消除鬼影现象.然后,根据背景的复杂程度得到自适应阈值与更新速...     

针对运动摄像机的快速低存储开销运动目标检测算法

摄像机的运动会导致整幅图像的运动,使得此情形下的目标检测极具挑战性。针对该问题提出一种快速低存储开销检测算法。首先,利用一种快速低存储开销配准方法计算相邻两帧的单应变换矩阵。而后,使用单应变换矩阵进行相邻两帧之间的配准,并由帧间差分获取帧间运动信息。最后,采用积累运动信息的方式构造不断更新的运动图像,通过对此运动图像进行阈值分割分离出最终的运动目标。在多个不同视频序列下的实验表明该算法能够有效地从嘈杂的场景中检测出运动目标。此外,与先前算法相比,该算法检测性能更好,且显著地降低了存储开销与计算时间开销。对于480360的序列而言,该算法需要的存储开销仅为825 kByte,且运算速度达到16帧/m。     

一种融合预测过采样的运动目标检测算法

为了改善运动目标检测的精度,提出了一种融合了预测过采样的运动目标检测新方法.首先,基于二维傅里叶变换预测当前帧的目标形状并计算形状相似度;然后,从历史检测结果中选择一定数量的参考帧,使用光流法跟踪目标像素点在参考帧与当前帧之间的运动轨迹,并以像素点轨迹为参考在采样区间执行稠密过采样;最后,基于过采样样本构造前景模型,并在图分割框架内联合使用前景背景模型实现目标检测.在公共数据与自采数据集上对所提方法进行了实验验证,结果表明,相对于经典的运动目标检测算法,所提方法能够有效提高检测精度.     

基于小波变换域的运动目标检测视频水印算法

针对现有视频水印算法稳健性不足的问题,结合人类视觉系统,提出一种基于小波变换域的运动目标检测视频水印算法。该算法首先将原始帧图像进行8×8分块,分别对每一子块进行Daubechies复杂小波分解,采用基于近似中值滤波的帧间差分法,有效地解决阴影、重影、噪声等问题,更加准确地检测运动目标并标记运动区域;然后对水印进行Arnold置乱和混沌加密预处理,来加强水印的安全性;最后将预处理后的水印自适应嵌入在运动区域和高纹理复杂区域中。实验结果表明,该算法具有较好的不可感知性,并对常见的视频攻击具有较好的稳健性。与现有三种算法的性能比较,说明了本算法的优越性。     

一种基于PandaBoard的运动物体检测系统设计

设计了一种基于PandaBoard的运动物体检测系统。该系统的主要组成模块及其功能简要描述如下:利用USB摄像头进行视频帧的采集,基于嵌入式的PandaBoard开发板运行运动物体检测的视频帧处理算法,采用USB无线鼠键进行检测系统的启动或关闭,最终通过HDMI显示器进行检测结果的显示。其中,嵌入式PandaBoard开发板上运行的帧间差分运动物体检测算法基于上位机Simulink进行设计,设计完成后直接下载到PandaBoard开发板上运行。该系统可以脱离上位机及Simulink开发环境独立运行,具有设备简单、成本低、算法可拓展性强等特点,具有良好的应用前景。     

基于特征帧构建的运动目标检测方法

非参数密度估计在样本分析建模方面得到了很大的关注,尤其是核密度估计方法。但由于核密度估计方法计算量大,应用到运动目标检测方面很难达到实时效果。提出了一种特征帧构建的核密度估计方法。因为核密度估计不需要假设背景模型的密度分布函数,所有样本值又满足独立同分布的原则,所以可以通过特征帧构建的方法进行背景建模,同时应用此方法进行背景更新。实验结果表明:该方法能够适应环境变化且具有运算速度快、实时性好等特点,可以将其应用到复杂背景下的监控系统中。     

一种适用于16QAM的自适应阈值载波锁定检测算法

为避免传统16阶正交幅度调制(16-Quardrature Amplitude Modulation,16QAM)载波锁定指示锁定阈值受输入信号电平的影响,提出了一种基于归一化信号高阶矩的16QAM载波锁定检测算法。针对传统基于固定阈值的检测算法在数据不满足均匀分布时失效的情况,提出了一种基于输入数据统计特性的自适应阈值载波锁定检测算法。实验结果和工程应用结果表明,所提出的自适应门限能更好地适应不同数据下的载波锁定检测。该方法已经在某卫星对接试验中得到了应用验证,取得了满意的效果。     

融合ViBe改进算法和图像均值的运动目标检测

针对视频前景提取(ViBe)算法在模型初始化时因前景像素干扰导致的“鬼影”问题,面对复杂背景环境的更新策略问题,提出利用图像像素均值作为参考对ViBe算法模型进行初始化优化;同时,提出随背景模型复杂度变化的自适应更新策略。利用邻域像素和连续帧背景像素的相似性进行背景模型初始化;然后通过计算样本间各像素的方差判定背景模型是否稳定,建立自适应的更新策略;最后提取运动目标。通过CDnet2014数据集验证表明：该算法有效改善了“鬼影”现象,提高了背景模型在复杂环境下的鲁棒性,各项客观评价指标也有所提升。     

Superpixel based color contrast and color distribution driven salient object detection

Color is the most informative low-level feature and might convey tremendous saliency information of a given image. Unfortunately, color feature is seldom fully exploited in the previous saliency models. Motivated by the three basic disciplines of a salient object which are respectively center distribution prior, high color contrast to surroundings and compact color distribution, in this paper, we design a comprehensive salient object detection system which takes the advantages of color contrast together with color distribution and outputs high quality saliency maps. The overall procedure flow of our unified framework contains superpixel pre-segmentation, color contrast and color distribution computation, combination, and final refinement.In color contrast saliency computation, we calculate center-surrounded color contrast and then employ the distribution prior in order to select correct color components. A global saliency smoothing procedure that is based on superpixel regions is introduced as well. This processing step preferably alleviates the saliency distortion problem, leading to the entire object being highlighted uniformly. Finally, a saliency refinement approach is adopted to eliminate artifacts and recover unconnected parts within the combined saliency maps.In visual comparison, our method produces higher quality saliency maps which stress out the total object meanwhile suppress background clutter. Both qualitative and quantitative experiments show our approach outperforms 8 state-of-the-art methods, achieving the highest precision rate 96% (3% improvement from the current highest), when evaluated via one of the most popular data sets. Excellent content-aware image resizing also could be achieved using our saliency maps.     

基于光照不变性模型的运动目标检测新算法

运动目标检测有两大难点,即光照变化的影响,阴影对运动目标准确提取的影响。高志伟等人提出了基于彩色边缘的运动车辆检测,实现了复杂背景下的运动目标检测,但该方法无法消除阴影的影响。为了克服光照及阴影的影响,提出了基于一维不变性图像的背景模型,更新了最小熵投影角度,设计了运动目标检测的新算法。以交通运输领域为例,将本文算法和多层前景算法、边缘检测算法做了对比,通过实验验证了该方法在检测运动目标时能够克服光照变化影响,并有效抑制阴影。     

基于自适应HCS-LBP特征的行人检测算法

针对行人检测中提取中心对称局部二值模式(Cen ter-Symmetric Local Binary Pattern,CS-LBP)时邻域中心像素没有参与计 算、人为设定的判断阈值主观性较强、未能区别对待不同子块等问题,提出一种基于自适应 HCS-LBP(Haar-like CS-LBP)特征 的行人检测算法。该算法首先构造了HCS-LBP特征编码方法,采用局部中心对称模式减少编 码长度,利用积分图像法快速计 算降低时间复杂度,并将灰度级概率引入中心像素的全局自适应阈值计算,采用高斯矩阵获 取邻域像素的局部自适应阈值,以 突显图像客观的纹理信息;然后使中心像素参与图像编码,通过信息熵确定不同子块的权重 ,以增强图像特征的描述能力;最 后使用直方图交叉核支持向量机(Histogram Intersection Kernel SVM,HIKSVM)训练样本 ,以提升分类器的准确度。在INRIA数 据库的实验结果表明,该算法能有效提高图像信息的利用率,提升行人检测算法的性能,行 人检测准确率较其他相关文献提高了0.4%~7.8%,具有较好的行人检测效果和检测精度。