基于SIFT特征匹配和动态更新背景模型的运动目标检测算法

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,提出了一个基于SIFT（Scale Invariant Feature Transform）特征匹配和动态背景建模的背景差算法。首先利用SIFT算法提取特征点,采用RANSAC（Random Sample Consensus）方法求得仿射变换模型参数并实现图像的全局运动补偿,然后用背景差方法实现运动目标的检测,同时进行阴影和鬼影的去除。SIFT特征点匹配的准确性和RANSAC方法去除异常点的有效性使得仿射变换模型参数计算准确,动态更新背景模型的背景差则完整地检测出了前景目标。与Ninad Thakoor实验结果对比说明：该算法能够准确地检测出运动目标,并且保持了前景目标的完整性。     

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。     

基于自适应背景匹配的运动目标检测算法

为了减小所提取的背景对后续目标检测的影响,提出了基于自适应背景匹配的运动目标检测算法.通过改进的Mode算法结合自适应背景匹配更新机制获得可靠的背景,在此基础上结合绝对差分和具有双动态阈值的Cauchy分布模型建立了目标检测总体模型,从而实现对视频序列中的运动目标进行检测.通过对行人和车辆等不同监控对象的实验,验证了算法具有良好的噪声抑制能力和对慢目标良好的鲁棒性,同时能有效的分割前景目标.     

复杂背景下运动目标的改进实时检测算法

针对复杂背景下运动目标检测难度大、算法实时性差的问题,提出了一种改进的运动目标实时检测算法.融合背景差分、帧间差分和边缘检测的信息,划定目标区域提取完整的目标轮廓.针对图像光照突变的问题,改进了运行期均值背景更新策略,在背景更新时同步更新前景分割阈值.使用复杂背景下毛细管粘度计液位检测视频验证算法证明,边缘融合方法和实时阈值更新的背景更新算法能够克服背景复杂、光照变化、运动干扰等带来的影响,提高运动目标检测精度,实现实时检测.     

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.     

摄像机运动下基于背景匹配的运动目标检测

提出一种摄像机运动下的运动目标检测技术。首先获取相邻两帧图像上的对应特征点的坐标后应用到仿射变换模型得到全局运动参量来描述背景图像的运动变化。然后根据估计出的全局运动参量通过双线性内插法完成背景匹配。最后采用背景匹配后的两帧图像差进行目标检测。实验证明本算法在提高处理的精确度和时效性的同时还可以处理摄像机发生较大幅度旋转运动情况下的目标检测。     

基于SIFT特征匹配的CamShift运动目标跟踪算法

针对复杂背景下采用一般CamShift算法跟踪目标容易失败,提出将SIFT(Scale Invariant Feature Transform)特征点匹配融入到CamShift算法。该算法利用SIFT特征对尺度和方向无关特性实现连续图像序列的精准匹配,具有对尺度缩放、目标旋转以及亮度变化保持不变性的优点,不仅弥补了一般CamShift算法只以颜色为关键信息的不足,而且可将目标跟踪窗口形心和质心间的位移稳定在设定阈值内。最后通过对比性实验来验证该算法的有效性和稳定性。实验结果表明,该算法能够对复杂背景下的光照突变、缩放和旋转运动目标实现实时稳定跟踪。     

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。     

改进的双向SIFT特征匹配算法

以基于图像序列摄像机自标定为基础,针对尺度不变特征转换SIFT算法误匹配率高且运行效率低的问题,提出一种改进的双向SIFT特征匹配算法。在去除误匹配方面,首先采用双向匹配消除部分误匹配点对,然后结合视差梯度约束算法和随机抽样一致性RANSAC算法提纯匹配点对;在提高运行速度方面,首先在初匹配中采用K邻近算法,其次调整视差梯度约束迭代条件,都通过减少迭代次数来降低算法耗时。实验表明,改进后的算法在去除了大部分误匹配的基础上,保留了足够的匹配点对以用于摄像机空间位置和姿态的自动标定,且相较SIFT算法在运行速度上有了较大的改进。     

改进视觉背景提取模型的运动目标检测算法

针对视觉背景提取模型对动态场景适应性不强、运动目标检测精度低等问题,提出一种改进的视觉背景模型算法.在模型建立与初始化阶段,采用按序抽取的方法将像素点本身信息加入到背景模型中,形成邻域背景模型,降低复杂场景对模型的影响;在前景检测阶段,结合像素点的空间邻域信息自适应地获取分割阈值,减少各类复杂场景对检测结果的干扰,提高运动目标检测的精度;在背景更新阶段,根据场景复杂度动态地调整模型的更新周期与更新方式,使得模型能够有效地消除虚影与背景噪声的影响,增强模型对复杂场景的适应性与鲁棒性.与典型算法进行对比的实验结果表明,该算法具备较高的检测精度,适用于动态场景中的运动目标检测.     

基于改进视觉背景提取算法的运动目标检测

针对经典视觉背景提取算法因初始帧存在运动目标易产生鬼影以及对扰动背景适应性差的问题,提出一种改进ViBe算法;利用改进三帧差分法和最小外接矩形定位初始帧运动目标,并通过局部初始化的方法进行鬼影抑制;在背景模型初始化阶段,定义灰度相似函数从时域和空域信息中中等比例选取像素点建立背景模型,增强背景模型的鲁棒性;在前景检测检测阶段,通过平均差法衡量样本集合的离散度,构建自适应分割阈值代替原有的固定分割阈值以适应背景扰动;实验表明,改进算法可以有效抑制鬼影产生并且提高算法在扰动背景下的适应性和检测准确度。     

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。     

一种改进的SIFT特征匹配算法

针对尺度不变特征变换(SIFT)特征匹配算法存在计算量大、复杂度高的问题,提出一种基于图像Radon变换的改进SIFT特征匹配算法。改进算法在图像的SIFT特征点采样区域内作d条不同方向的直线,以d条直线上的图像Radon变换作为SIFT特征向量描述符,降低SIFT特征向量的维数,从而提高特征匹配效率。实验结果表明,改进算法具有较高的匹配精度和较少的匹配时间,适用于虚拟场景漫游或目标识别等实时性要求较高的系统。     

基于方向约束的改进SIFT匹配算法

SIFT算法对图像的旋转、尺度变换、亮度变化等情况具有较好的不变性,广泛应用于图像匹配中,但SIFT特征向量生成过程复杂,导致算法实时性不理想,同时匹配结果还存在一定的误匹配点,影响了算法的精确性。为此,对SIFT算法进行改进,提出采用栅格形式选取种子点简化特征向量的生成过程,并利用关键点的方向约束性进一步剔除具有方向差异的误匹配点,从而简化计算量,提高匹配率。实验结果表明,改进后的算法能在保持原有SIFT算法稳定性的基础上提高近一倍的特征向量描述速度,初匹配结果经方向约束后能够有效地剔除具有方向差异的误匹配点,提高匹配率,大大增强了算法的精确性。     

基于改进的背景差分的运动目标实时检测算法

针对传统混合高斯建模算法计算量过大与目标轮廓清晰度小的问题,提出了一种新的运动目标实时检测算法。该算法引入三帧差分的方法,提高了检测目标轮廓的清晰度;通过HSI混合高斯建模前进行分块处理有效减小了计算量,因此算法的实时性有了明显的改善;并利用逻辑运算融合三帧差分与HSI混合高斯模型进行高效的背景提取;最后运用数学形态学方法进一步优化检测结果。实验结果表明,相比混合高斯模型经典算法,该算法能更快速、更准确地检测出智能监控视频序列中的运动目标,并且目标轮廓清晰度也有明显的改善。     

动态背景的序列图像中运动小目标检测算法

提出了一种动态背景下红外运动小目标的检测算法。该算法在连续四帧图像配准的基础上,对配准之后的图像序列进行沿时间轴的一维小波变换,实现目标和背景的分离。然后对主要包含运动目标信息的图像按像素相乘的方法得到目标增强图像,对其分割后提取运动小目标。实验结果表明,该方法能够有效的对红外慢速和快速运动的小目标进行检测。     

复杂背景环境下运动目标的检测算法研究

首先对运动目标检测的理论和方法以及如何从背景图像中有效提取出前景物体做了简要概述,并结合传统的背景相减法容易受环境光线等外界因素影响这一弊端,提出了一种零均值归一化互相关的方法来实现对运动目标的检测判断.同时,采用了累积直方图的方法获得了一个理想阈值,实现了运动目标物的精确提取.实验证明,该方法较传统的背景相减法有明显的提高,在识别精度上也能达到较满意结果.     

基于BRISK特征的动态背景下运动目标检测

针对动态背景下运动目标检测过程中对检测算法实时性和鲁棒性的要求,提出了一种基于二进制鲁棒不变尺度特征(BRISK)的运动目标检测算法.通过改进的BRISK算法检测特征点;为了保证匹配精度和速度,采用K最近邻(KNN)算法进行特征点匹配;运用基于随机抽样一致性(RANSAC)的全局运动参数估计法获取最优全局运动参数;采用帧间差分法进行运动目标检测.实验结果表明:改进的BRISK算法减少了49.8％的特征点数目,KNN算法去除了85.9％的特征点对;在各种场景下能够准确地检测出运动目标,与以往算法相比检测效果较好.     

改进的ViBe运动目标检测算法

针对传统ViBe运动目标检测算法提取的目标存在鬼影区域、且有闪烁像素点干扰的问题,提出一种结合Surendra背景更新算法而改进的ViBe算法进行运动目标检测.利用Surendra算法快速更新背景的特点迭代得到纯净背景;对ViBe算法检测前景进行像素标记和鬼影分类判别,去除鬼影像素点和闪烁像素点;输出新的前景.实验表明:该算法可以有效地去除ViBe算法前景检测中的鬼影,并能抑制闪烁像素噪声,获取更精确的前景图像.     

运动目标检测的ViBe算法改进

目的 目标检测在智能交通、自动驾驶以及安防监控中均有重要的地位,ViBe算法是常用的运动目标检测算法,它主要由背景模型初始化、前景检测、背景模型更新3部分组成,其思想简单,易于实现,运算效率高,但当初始帧有运动目标时,检测结果会出现“鬼影”现象,且易受噪声和光照变化影响,不能适应动态场景。同时,其逐帧逐像素进行前景检测,在计算复杂度方面有较大提升空间。为解决这些问题,提出一种改进的ViBe算法,称为ViBeImp算法。方法 在背景模型初始化时,用多帧平均法给出初始背景,采用该初始背景构建初始背景样本模型。在前景检测过程中,采用背景差分法、帧差法与OTSU算法相结合给出半径阈值的自适应计算方法。同时,根据背景差分法找出运动区域,只对运动区域进行前景判断和模型更新,降低算法的计算复杂度。结果 对25个不同场景视频分别给出ViBeImp算法在初始化背景,自适应半径阈值和计算复杂度方面改进的结果及有效性指标,实验结果表明,与ViBe、ViBeDiff2、ViBeIniR,以及Surendra等算法和高斯混合模型相比,ViBeImp算法对噪声、光照和背景动态变化有较好的鲁棒性,检测结果更完整,且实时性较好。同时,ViBeImp算法将ViBe算法的查准率、查全率以及F1值分别提高了17.98%、11.40%和15.96%。结论 ViBeImp算法采用多帧平均法构建初始背景可有效地消除“鬼影”,并给出半径阈值的自适应计算方法,使ViBe算法更快适应视频环境变化,准确且完整地检测出运动目标,具有较低的误检率和漏检率。该方法克服了ViBe算法对初始背景以及视频环境的依赖,很大程度上提高了运算速度,具有很好的鲁棒性和适用性。