一种针对移动相机的实时视频背景减除算法

提取移动相机拍摄视频中的前景时,采用基于稠密光流或像素点轨迹的算法估算相机运动会造成算法非常耗时,为此提出一种简单有效的实时视频背景减除算法.首先用基于超像素的区域增长预处理算法得到可能是前景的超像素;然后基于分块相对光流的背景特征点筛选算法来估算相机运动;最后检查光流与相机运动的一致性,得到背景减除的最终结果.实验结果表明,该算法可以实时处理大小为640×480像素的视频,且前景检测准确度优于同类算法.     

基于维纳线性预测的Horn-Schunck光流运动矢量优化算法

针对Horn-Schunck光流运动估计的矢量中可能出现局部错误估计点的问题,提出一种基于维纳线性预测的光流运动矢量优化算法。首先,将光流运动矢量从笛卡尔坐标转换到极坐标下;其次,根据制定的判决规则,对于判决中的可疑点做进一步判定,而对于判决中的错估点采用维纳线性预测的方法进行重新估值;最后,将极坐标下的光流矢量转换到笛卡尔坐标下,到此就完成了光流运动矢量的优化。与直接求出的Horn-Schunck光流矢量相比,优化后的Horn-Schunck光流矢量中幅度和角度错估点的误差明显减小,光流矢量的准确性获得了一定程度的提高。将直接求出的Horn-Schunck光流矢量和优化后光流矢量分别应用到图像和视频序列的运动补偿中。结果表明:基于维纳线性预测的Horn-Schunck光流运动矢量优化算法取得了比较好的效果。     

一种基于背景运动特性分析的背景配准算法

为了解决复杂背景下基于背景运动补偿的目标检测算法无法精确提取背景运动特征块的问题,该文提出了一种基于背景运动特性分析的背景配准算法。采用Harrir-Affine焦点算法提取仿射不变特征点,通过Lucas-Kande光流法估算特征区域光流矢量,通过特征区域光流主方向相似度度量对特征区域聚类实现背景特征区域的精确提取。实验结果表明:该算法能够精确提取出背景运动特征块,与传统的基于背景配准的目标检测算法进行比较,采用本文算法的目标检测其有效性提高了1.1倍。     

基于运动目标检测的视频水印算法研究

深入研究视频序列的基本特性,并在此基础上提出一种改进的DCT(离散余弦变换)域的分块视频水印方案。提出的方案中,通过结合人类视觉感知系统和运动目标检测技术,从视频图像序列中实时地发现并提取运动目标,确定运动目标所在区域,选取视频图像中的运动区域和高细节纹理复杂度区域作为视频水印的嵌入区域,并在水印的嵌入的过程中,通过细分像素块来减少像素分类带来的分块效应。通过仿真实验结果显示,该算法具有较好的不可感知性和鲁棒性。     

基于背景配准的矿井危险区域视频目标检测算法

针对矿井危险区域视频监控视场背景复杂,难以实现视频目标精确提取的问题,提出了一种基于背景配准的视频目标检测算法。该算法实现步骤:提取SIFT特征点,计算特征点区域H-S光流矢量;通过区域运动特性分析提取出背景运动区域,对背景运动区域特征点做帧间匹配;计算仿射参数,配准差分后提取出精确的目标区域。实验结果表明,该算法能够去除前景目标特征点对背景配准的影响,可获得较为精确的目标区域。     

基于二重差分法的光流场运动检测

对视频图像序列中运动目标的检测,是计算机视觉领域长期关注的问题.传统的Horn-Schunck光流算法非常耗时,不利于在视频图像序列中做实时分析,故提出采用结合背景差分法与帧间差分法的二重差分法(DS)来做光流算法的预处理.实验结果也表明二重差分法的光流算法(DSOF)比单纯用Horn-Schunck方法计算光流效率更高,用时更短,能更好地满足对视频图像序列做实时运动检测分析的需求.     

基于贝叶斯决策的运动目标检测方法

传统混合高斯背景建模存在难以解决背景复杂以及阴影等因素影响视频运动目标检测效果的问题,为此提出了一种基于贝叶斯决策的运动目标检测方法。该方法利用帧间差分进行像素变化检测,将像素粗分为变化像素和非变化像素;对于变化像素中的运动点和静止点,通过统计确立有效的数据结构,其中显著颜色分布统计量用来描述静止点,而显著颜色同现统计量描述运动点;从数据结构中提取颜色特征矢量,将特征矢量中的静止点和运动点按照贝叶斯决策规则进一步分类为背景点、前景点和颜色相似点。对颜色相似点进行局部加权处理以达到正确检测的目的;通过融合静止点集、运动点集和加权后的颜色相似点集结果提取出前景运动目标。仿真实验表明,该方法能够在不同复杂背景下较准确地检测出视频中的运动目标,相比传统算法具有较强的鲁棒性。     

视频监控中多运动目标的检测与跟踪

在基于递归方法的二值图像连通区域像素标记算法基础上,融合图像预处理技术,并对预处理后的图像进行改进,同时根据运动目标的几何特征,在实时监控视频图像中更好地定位运动目标,从而实现多运动目标的检测与跟踪。实验结果表明该方法可靠高效,也可以满足实时视频监控系统的需要。     

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.     

逐次分块差分直方图对运动目标的提取

为从视频图像序列中准确且完整地提取运动目标,提出一种基于运动差分直方图的目标提取算法。通过对视频图像序列中两帧相邻图像以及它们的差分图像进行逐次分块,分析对应分块的差分直方图,利用背景区域块与目标区域块对应的差分直方图分布不同,逐步去除背景提取目标,有效避免提取的目标内部出现空洞,以块为单位的处理提高算法运行速度。通过数值实验验证了该算法具有较好检测性。     

OPTICS聚类与目标区域概率模型的多运动目标跟踪

目的 针对多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题,本文提出了一种基于OPTICS聚类与目标区域概率模型的方法。方法 首先引入了Harris-Sift特征点检测,完成相邻帧特征点匹配,提高了特征点跟踪精度和鲁棒性;再根据各运动目标与背景运动向量不同这一点,引入了改进后的OPTICS加注算法,在构建的光流图上聚类,从而准确的分离出背景,得到各运动目标的估计区域;对每个运动目标建立一个独立的目标区域概率模型(OPM),随着检测帧数的迭代更新,以得到运动目标的准确区域。结果 多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题通过本文方法得到了很好地解决,Harris-Sift特征点提取、匹配时间仅为Sift特征的17%。在室外复杂环境下,本文方法的平均准确率比传统背景补偿方法高出14%,本文方法能从移动背景中准确分离出运动目标。结论 实验结果表明,该算法能满足实时要求,能够准确分离出运动目标区域和背景区域,且对相机运动、旋转,场景亮度变化等影响因素具有较强的鲁棒性。     

基于帧间差分和边缘差分的遗留物检测算法

遗留物检测是智能视频监控系统的核心功能,遗留物一般较小,所处环境复杂,传统的运动目标检测算法直接用于遗留物检测效果一般.提出了一种基于帧间差分与边缘差分的遗留物检测算法,首先进行帧间差分得到运动目标区域,然后将当前帧图像和前一帧的背景图像进行边缘差分运算得到运动目标的边缘,融合二次差分的结果即可得到运动目标的完整轮廓特征,最终通过判断运动目标在场景中的滞留时间是否达到或超过报警系统设置的阈值来标示遗留物,供智能视频监控系统处理.实验结果证明该算法实时性好且识别率较高.     

面向卫星在轨实时处理的遥感视频动目标提取算法

针对现有动目标检测算法应用于卫星视频存在较多伪运动误检且难以在轨实时运行,同时短程跟踪算法难以寻回丢失目标的问题,提出一种卫星在轨实时提取运动目标算法.面向运动区域设计图像分类算法以优化运动检测结果,准确筛选动目标;用短程跟踪代替逐帧检测,以降低整体算法复杂度,并设计多特征融合与时空约束的重识别机制关联短程轨迹,应对跟...     

海量监控视频快速回放与检索技术

为解决海量监控视频的快速浏览和检索,介绍了一种基于目标索引的视频摘要和检索方法。该方法在光流分析的基础上,在画面的静止区域更新背景,运动的区域利用差分法分割出运动目标图像。经过优化的快速特征匹配和建立运动跟踪模型后,根据目标运动轨迹,按照时空距离进行聚类。在目标图像数据和运动参数进行XML结构化存储为索引的基础上,最后在检索时将符合条件的所有目标图像,按照其原有时间顺序逐帧贴到同一个背景图像中,形成动态的摘要视频。由于该方法剔除了背景中大量的时空冗余信息,可在较短回放时间内浏览全部有用目标,显著提高海量监控视频的查阅效率。     

PTZ自主跟踪中的全景视频生成

提出了一种在单PTZ摄像机自主跟踪过程中生成全景视频的方法。该方法在自主跟踪目标的同时,生成目标在大场景上运动的全景视频,可应用于PTZ摄像机监控场所。该方 法将全景视频看作全景背景图像和当前目标图像的叠加：首先利用Mean Shift跟踪方法逐帧获取目标区域图像并保存;然后利用相邻两帧视频图像的竖直方向投影匹配和Harris角 点匹配结果合成全景背景,与传统的配准方法相比,大大降低了匹配运算的复杂度,使全景背景的生成能够实时进行,并记录每帧图像到背景图像的变换参数;最后逐帧将目标区 域图像变换到背景图像上得到全景视频。本文方法与传统的全景视频生成方法相比,无需人工控制摄像机的转动,也无需手工对齐视频帧,整个过程全部自动完成。     

A Stochastic Approach for Blurred Image Restoration and Optical Flow Computation on Field Image Sequence

The blur in target images caused by camera vibration due to robot motion or hand shaking and by object(s) moving in the background scene is different to deal with in the computer vision system.In this paper,the authors study the relation model between motion and blur in the case of object motion existing in video image sequence,and work on a practical computation algorithm for both motion analysis and blut image restoration.Combining the general optical flow and stochastic process,the paper presents and approach by which the motion velocity can be calculated from blurred images.On the other hand,the blurred image can also be restored using the obtained motion information.For solving a problem with small motion limitation on the general optical flow computation,a multiresolution optical flow algoritm based on MAP estimation is proposed. For restoring the blurred image ,an iteration algorithm and the obtained motion velocity are used.The experiment shows that the proposed approach for both motion velocity computation and blurred image restoration works well.     

双光流网络指导的视频目标检测

目的 卷积神经网络广泛应用于目标检测中,视频目标检测的任务是在序列图像中对运动目标进行分类和定位。现有的大部分视频目标检测方法在静态图像目标检测器的基础上,利用视频特有的时间相关性来解决运动目标遮挡、模糊等现象导致的漏检和误检问题。方法 本文提出一种双光流网络指导的视频目标检测模型,在两阶段目标检测的框架下,对于不同间距的近邻帧,利用两种不同的光流网络估计光流场进行多帧图像特征融合,对于与当前帧间距较小的近邻帧,利用小位移运动估计的光流网络估计光流场,对于间距较大的近邻帧,利用大位移运动估计的光流网络估计光流场,并在光流的指导下融合多个近邻帧的特征来补偿当前帧的特征。结果 实验结果表明,本文模型的mAP（mean average precision）为76.4%,相比于TCN（temporal convolutional networks）模型、TPN+LSTM（tubelet proposal network and long short term memory network）模型、D（&T loss）模型和FGFA（flow-guided feature aggregation）模型分别提高了28.9%、8.0%、0.6%和0.2%。结论 本文模型利用视频特有的时间相关性,通过双光流网络能够准确地从近邻帧补偿当前帧的特征,提高了视频目标检测的准确率,较好地解决了视频目标检测中目标漏检和误检的问题。     

基于双阈值运动区域分割的AdaBoost行人检测算法

结合单目摄像机静止拍摄的视频序列使用背景差法或AdaBoost算法检测行人时分别存在易受噪声干扰或检测速度慢的问题,提出一种双阈值运动区域分割的AdaBoost快速行人检测算法。首先建立背景帧,利用前景帧与背景帧的差分图像拟合噪声曲线,提取噪声与亮暗运动目标的阈值,消除噪声,分割出运动区域;然后通过AdaBoost学习算法选择少量有效的Haar-like弱矩形特征构造强分类器;最后在运动区域利用强分类器检测是否包含行人。实验结果表明,该方法迅速缩小了检测范围,加快了检测速度,降低了误检率。     

基于局部显著度的机动弱小目标检测算法

由于待检测的红外远距离目标具有尺寸小、辐射低、背景复杂等检测难点,以高检测率、低虚警率、高实时性进行红外小目标检测一直是一个具有挑战性的课题；文章提出一种基于局部显著性的变速运动目标累积检测算法,利用辐射能量积累方法提高目标在背景中的信噪比；首先,建立矢量空间及一阶导数空间,对序列图像的每帧进行基于块显著度的局部对比度增强处理,增强目标辐射能量并抑制背景,同时显著减少了计算量；然后,进行变速运动空间及导数矢量空间的辐射能量叠加,在空间矢量及导数矢量空间中检测序列图像中的目标在矢量空间及导数矢量空间运动特征的存在概率；最后,通过恒虚警检测得到目标的位置向量、速度、加速度向量,完成目标检测；实验结果验证了提出方法的有效性,其检测率及虚警率均优于其他方法,其中信杂比增益提高了22.30,背景抑制因子提高了3775.68,处理时间开销降低了0.65秒；