动态背景下的运动目标检测

针对动态背景下运动目标检测的问题,最大限度地降低背景对运动目标检测的影响,提出了一种基于相位相关法和傅里叶梅林变换的动态背景下运动目标检测算法.动态背景下运动目标检测的主要部分是背景运动补偿,首先利用相位相关法和傅里叶梅林变换估计全局运动参量,然后根据全局运动参量利用双线性内插法进行背景匹配,最后对配准后的图像利用帧间差分法提取运动目标.实验表明,该算法具有一定的鲁棒性,能有效地检测动态背景下的运动目标.     

动态场景下基于精确背景补偿的运动目标检测

针对动态场景下因背景补偿效果欠佳而不能准确检测运动目标的问题,提出一种基于精确背景补偿的运动目标检测算法。算法采用加入对称约束的SURF特征点匹配算法,以获得稳健的匹配点对。同时利用自适应外点滤除法去除目标点对全局运动估计的影响,显著地提高了背景补偿的精度。最后用帧差法准确地检测出运动目标。实验结果表明,该算法具有很好的鲁棒性,能够在背景复杂且摄像机运动的环境下准确地提取出运动目标。     

动态背景下基于ORB特征匹配的运动目标检测算法

为了能够实时地检测出运动目标,提出一个基于ORB(Oriented FAST and Rotated BRIEF)特征匹配和改进的帧间差分相结合的检测算法。首先运用ORB算法提取特征点,采用RANSAC(RANdom SAmple Consensus)方法求得变换矩阵参数之后获取全局运动补偿图像,然后用帧间差分法实现运动目标的检测。ORB特征点匹配的快速性和准确性与RANSAC方法去除异常点的有效性确保变换矩阵参数的计算准确,再结合帧间差分法快速完整地检测出前景目标。实验结果显示,该算法能够准确地检测出运动目标,并在一定程度上解决了实时检测的问题。     

一种基于尺度不变特征点的运动目标检测算法

针对PTZ（Pan/Tilt/Zoom）摄像机的运动目标检测,提出了一种基于尺度不变（Scale Invariant Feature Transform, SIFT）特征点的运动补偿解决方案．首先,采用相邻两幅图像特征点匹配的方法获得运动补偿,从 而解决了PTZ 摄像机的自主运动带来的问题;然后利用时间差分法得到运动目标的区域;最后利用形态学中 的腐蚀和膨胀方法去除噪声．测试结果验证了算法的实用性和有效性．     

基于动态背景更新的运动目标检测算法

该文介绍了几种目前较为流行的运动目标检测方法,详细阐述了这些方法的检测原理,然后指出这些方法的优势和不足,在此基础上提出了动态背景更新方法,给出了整个算法的实现流程,同时在细节上做了一些改进。实验结果表明,此运动检测方法在静止背景的情况下能够有效地检测运动目标。     

动态背景下空时特性均显著的运动目标检测

从序列图像中提取变化区域是运动检测的主要作用,动态背景的干扰严重影响检测结果,使得有效性运动检测成为一项困难工作。受静态图像显著性检测启发,提出了一种新的运动目标检测方法,采用自底向上与自顶向下的视觉计算模型相结合的方式获取图像的空时显著性：先检测出视频序列中的空间显著性,在其基础上加入时间维度,利用改进的三帧差分算法获取具有运动目标的时间显著性,将显著性目标的检测视角由静态图像转换为空时性均显著的运动目标。实验和分析结果表明：新方法在摄像机晃动等动态背景中能较准确检测出空时均显著的运动目标,具有较高的鲁棒性。     

基于Kalman点匹配估计的运动目标跟踪

针对目前的角点匹配跟踪实时性差和抗遮挡、相似性物体等环境因素能力差的缺点,提出了一种基于Kalman点匹配估计的目标跟踪方法。通过在Kalman滤波粗定位的基础上,提取具有一定的抗几何缩放能力的多尺度Harris角点,对获得的其响应函数值进行加权以及目标区域进行恰当的分块,然后,将各块中的响应函数值求取平均值组成特征向量,在搜索域内进行点匹配跟踪。实验结果表明,该算法计算效率有很大的提高,能够用到实时的目标跟踪系统中,且对环境因素的影响有一定的鲁棒性。     

基于新的码书模型检测动态背景下的运动目标

为了能有效解决动态背景下运动目标的检侧问题,给出了一种结合HSV颜色空间和图像分块思想的码书模型方法.这种方法可以分为三步:首先根据视频图像大小,合理确定其分块的大小;然后根据HSV颜色空间下的亮度和颜色扭曲度信息构造块码书模型;最后利用得到的块码书模型检测运动目标,并且同时更新此码书模型.实验结果证实:对存在动态因素的背景视频,提出的方法不仅能有效抑制伪目标的出现,而且能准确、实时地检测出真实的运动目标.     

基于SIFT特征匹配与K-均值聚类的运动目标检测

运动摄像机情况下的运动目标检测是视频监控中的难点和热点问题。为了能够有效地检测出运动目标,根据视频中背景与运动目标的速度不同这一特点,提出了一个基于尺寸不变特征变换(SIFT)和K-均值聚类的运动目标检测方法。首先提取视频中相邻两帧图像的SIFT特征点并进行匹配,并计算匹配特征点的运动速度,最后将运动目标和背景上的SIFT特征点K-均值聚类分析,在单运动目标、多运动目标和带有摄像头旋转情况下做了实验。实验结果表明,提出的目标检测算法能够在运动背景下较好地检测到目标并保留稳定的目标局部特征,对于摄像机运动、摄像机旋转、亮度变化等影响因素具有较强的适应能力。     

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。     

动态背景下运动目标检测与跟踪研究

主要研究动态背景下的运动目标检测和跟踪问题。背景补偿差分法是一种常用的动态背景下运动目标检测算法,但检测到的目标轮廓要比其真实轮廓大,检测结果不准确且算法复杂度较高。主动轮廓模型在图像分割和目标提取过程中具有拓扑结构变化灵活性,对数值计算方案的设计更加方便、有效,据此提出一种基于改进C-V模型和卡尔曼滤波的算法,用来检测和跟踪动态背景下的运动目标。提出的算法利用C-V模型曲线演化检测和跟踪目标,使C-V模型在目标的边缘处收敛。结合卡尔曼滤波预测运动目标下一帧位置,从而实现对运动目标轮廓的跟踪。实验结果表明,该方法可以对动态背景下运动目标进行精确的检测与跟踪。     

一种新的背景减运动目标检测方法

结合图像亮度归一化和二维交叉熵的思想提出了一种针对光照变化鲁棒性强的运动目标检测算法。该算法对每幅视频帧图像进行亮度归一化处理,采用一种改进的均值滤波法初始化背景并自动进行背景更新,这种改进的方法在初始化期间有目标出现时仍能得到满意的背景图像,利用二维交叉熵的思想自动选取阈值对背景减得到的差分图像进行分割以检测出视频序列中的运动目标区域。实验结果表明：该运动目标检测算法实时有效,且对光照变化具有很强的鲁棒性。     

基于背景重构的运动目标检测算法研究与应用

对视频序列中的运动目标检测方法进行了研究,提出了一种基于背景重构的运动目标检测算法。通过自学习方法建立视频图像的高斯模型,构造初始背景图像;运用差分算法,得到运动目标,并对背景图像进行了重构、更新,得到实时背景图像。该方法在有运动目标存在的情况下进行实时建模,实用价值高。     

基于改进的混合高斯背景模型的运动目标检测

混合高斯模型在应对背景中存在扰动的情况具有优势,而其不足之处主要表现在对光线变化比较敏感和当场景中前景与背景之间发生转换时容易产生较长时间的虚影.针对上述问题,提出一种融合相邻帧差法和背景减法的算法.采用了循环周期和动态更新相结合的背景重建机制,通过运用Matlab对视频图像某个像素点的S值和V值的变化情况分析来体现背景更新和重建的过程,并对背景变化前后分别采用传统算法和改进算法进行对比分析.该改进算法解决了背景模型对光线变化敏感以及容易产生虚影等问题,实验结果表明了算法的有效性和鲁棒性.     

基于背景减除法的视频序列运动目标检测

视频序列中运动目标的检测是目标识别、标记和追踪的重要组成部分,背景减除法是运动目标检测中被广泛应用的算法。针对光线变化、噪声和局部运动等影响运动目标检测效果的问题,提出一种基于背景减除法的视频序列运动目标检测算法。该算法结合背景减除法和帧间差分法,对当前帧像素点的运动状态进行判断,分别对静止和运动的像素点进行替换和更新,采用最大类间方差（Otsu）法对差分图像进行目标提取,并使用数学形态学运算去除目标中的噪声和冗余信息。实验结果表明,所提算法对于视频序列中运动目标的检测具有较好的视觉效果和较高的准确度,能够克服局部运动以及噪声等缺陷。     

基于对称差分和背景减的运动目标检测

通过对视频运动对象特点的分析,提出一种针对静态场景的运动目标检测算法。该算法采用一种改进的时间平均法初始化背景,在有目标的情况下也能构建出可靠的背景,并融合背景减法和多重对称差分法对背景进行自适应更新。实验结果证明,该算法计算简单,对光线变化具有适应性,能够完整地提取运动目标,改善了运动目标的检测效果,具有一定的鲁棒性。     

基于改进背景减法的视频图像运动目标检测

为解决传统背景减法在动态背景下受噪声干扰和运动目标检测准确性不高的问题,提出一种基于改进背景减法的视频图像运动目标检测方法。在背景建模阶段,为易于计算和提高检测精度,采用基于GMM的图像块均值方法重构背景模型;在目标检测阶段,采用数学形态学和小波半软阈值函数相结合的方法对检测到的运动目标进行去噪处理;在背景更新阶段,采用自适应背景更新方法进行背景更新。实验结果表明,所提方法提高了运动目标检测的准确性,验证了其有效性。     

静止背景下基于图割的运动目标检测算法

运动目标检测是计算机视觉应用领域中基本而又重要的一步。针对背景差法检测边缘粗糙,存有空洞、噪点的不足,提出一种基于图割的运动目标检测算法。首先把问题转化为能量最小化的组合优化问题,然后构造网络使能量与网络的割的容量相对应,最后利用最大流-最小割算法寻找其最优解。实验结果表明,算法检测精度高、鲁棒性强。     

多信息动态融合的运动目标检测方法

针对基于视觉显著性的运动目标检测算法存在时空信息简单融合及忽略运动信息的问题,提出一种动态融合视觉显著性信息和运动信息的运动目标检测方法。该方法首先计算每个像素的局部显著度和全局显著度,并通过贝叶斯准则生成空间显著图;然后,利用结构随机森林算法预测运动边界,生成运动边界图;其次,根据空间显著图和运动边界图属性的变化,动态确定最佳融合权值;最后,根据动态融合权值计算并标记运动目标。该方法既发挥了显著性算法和运动边界算法的优势,又克服了各自的不足,与传统背景差分法和三帧差分法相比,检出率和误检率的最大优化幅度超过40%。实验结果表明,该方法能够准确、完整地检测出运动目标,提升了对场景的适应性。     

基于背景图像集与稀疏分析的运动目标检测

组视频序列中得到系列背景图像,组合这些背景图像为背景集合。以图像块为基本单元,基于稀疏表示方法对图像块分析处理,提取运动目标。实验仿真表明该方法能够在环境光照突变时,有效消除噪声对目标检测的影响,降低目标检测的误检率,达到较为鲁棒的检测效果。