一种新的基于ViBe的运动目标检测方法

针对ViBe运动目标检测算法在实际环境中存在无法消除鬼影、阴影等干扰的问题,结合三帧差分、边缘检测等技术,提出了一种ViBe改进算法。预处理阶段通过三帧差分获得真实背景并消除鬼影,运动目标检测阶段结合先验知识和边缘检测方法获得真实的运动目标以消除阴影,目标描述与跟踪阶段运用像素标记分割方法得到目标描述并实现目标跟踪。实验结果表明,新方法在消除鬼影、阴影等干扰方面表现出了优越的性能,在交通监控实时视频流中具有理想的车辆检测和跟踪效果。     

基于双层背景的遗弃物检测方法

提出一种基于双层背景的遗弃物检测方法。分别采用滑动平均算法和改进的高斯混合模型,对参考背景和动态背景进行建模,通过2个背景得到前景间的差异,以此提取静止前景,对检测到的静止物体进行直方图匹配以消除鬼影,在前景检测的基础上引入均值漂移算法和粒子滤波算法,处理物体间遮挡问题。实验结果证明了该方法的有效性。     

基于改进的单高斯模型的运动目标检测方法

对传统的单高斯模型作了一些改进,有效地解决了传统单高斯模型中的拖尾、鬼影问题.对单高斯模型中均值与均方差的更新率的选取提出了一种新方案,能够兼顾高斯模型的收敛性和稳定性.将基于色度畸变与一阶梯度信息的阴影消除方法结合起来,能够很好地消除阴影,使得提取出的运动目标轮廓更为精确.实验结果表明,在室内以及背景较为稳定的室外环境下,基于单高斯模型的运动目标检测方法能够很好地检测出运动目标.     

改进视觉背景提取模型的前景目标检测算法

针对经典视觉背景提取算法（ViBe）在动态背景场景下检测精度不高,以及长时间存在鬼影的问题,提出一种改进的视觉背景提取算法.该方法在背景模型初始化阶段考虑到像素点之间的颜色相似性以及空间距离,选取像素点邻域内的同质像素点对背景模型进行初始化;根据场景动态程度自适应调整每个像素点的阈值以及背景模型更新的速率,改善了在动态背景场景下的检测精度;根据光流判断像素点是否存在运动来把真实前景目标和鬼影区分开来并及时对背景模型进行修正,从而尽快消除鬼影现象.使用changedection测试集进行测试,改进后的ViBe算法在能提取到较完整前景目标的同时,检测准确率相比原始ViBe算法也有所提高.     

一种快速消除鬼影的目标检测算法

针对运动目标检测ViBe算法在执行过程中的鬼影以及背景抖动问题,提出一种可以快速消除鬼影的目标检测算法。提出背景值定向传播以及计算闪烁因子的优化算法,将背景值快速填充到周边鬼影区域的背景集合中,从而快速消除鬼影并消除动态背景和相机抖动的影响,避免使用复杂的特征点检测算法处理抖动问题。通过快速滤波与形态学操作可以去除噪点并提高前景的完整性。经过理论分析以及实验对比,结果表明,该算法能够快速消除鬼影,在相机抖动或动态背景的情况下有更好的目标检测效果,算法的运行速度相比部分主流算法更加快速高效。     

基于多任务学习的视频和图像显著目标检测方法

显著目标检测(Salient Object Detection, SOD)能够模拟人类的注意力机制,在复杂的场景中快速发现高价值的显著目标,为进一步的视觉理解任务奠定了基础。当前主流的图像显著目标检测方法通常基于DUTS-TR数据集进行训练,而视频显著目标检测方法(Video Salient Object Detection, VSOD)基于DAVIS,DAVSOD以及DUTS-TR数据集进行训练。图像和视频显著目标检测任务既有共性又有特性,因此需要部署独立的模型进行单独训练,这大大增加了运算资源和训练时间的开销。当前研究大多针对单个任务提出独立的解决方案,而缺少统一的图像和视频显著目标检测方法。针对上述问题,提出了一种基于多任务学习的图像和视频显著目标检测方法,旨在构建一种通用的模型框架,通过一次训练同时适配两种任务,并进一步弥合图像和视频显著目标检测方法之间的性能差异。12个数据集上的定性和定量实验结果表明,所提方法不仅能够同时适配两种任务,而且取得了比单任务模型更好的检测结果。     

基于FPGA的视频跟踪系统目标检测方法研究

为了提高视频跟踪系统中目标检测的精度,提出了一种以FPCA为核心的目标检测方法。利用形态学对S0bel目标边缘检测的结果进行优化,在此基础上,改进新的目标检测算法弥补形态学优化存在的不足。FPcA实现结果表明,改进的目标检测方法可以实现任何阈值情况下目标边缘的深度优化,使得图像边缘更清晰、噪声更小。     

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.     

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.     

基于.NET的Oracle BLOB数据高效存取方法

为保证实际项目中海量数据存储的管理效率,在ASP.NET平台上使用C#编程,通过ADO.NET访问Oracle后台数据库,采用内存流读取数据,启用通用自定义HTTP请求处理程序同步处理HTTP Web请求,实现了对BLOB类型数据的高效存储和读取。该方法同样适用于其他形式的BLOB大型数据。     

基于变化检测与时空滤波器的视频对象分割方法

随着基于对象视频应用的发展,视频对象的分割成为人们研究的熟点。本文提出了一种结合变化检测与时空滤波器快速分割视频对象的新方法,该方法利用t分布显著性检验检测帧问的变化,不需要知道噪声的方差;利用间隔为k的两帧图像代替连续两帧进行变化检测,可以很好地处理关节运动和慢运动。然后通过时空滤波器快速有效地消除由于视频对象运动而露出的背景区域,同时能够减少变化检测掩膜中的残留噪声。最后,通过形态学处理实现视频对象的分割。     

基于Microsoft SQL Server的BLOB数据的存取方法研究

主要探讨几种在SQL Server数据库中存取BLOB数据的方法,并结合实例介绍不利用开发工具,在SQL Server数据库中对BLOB数据进行直接存取的方法。     

目标跟踪研究综述

在监控系统中获取感兴趣的目标是目前极具挑战性的研究热点之一,在视频监控、人机交互和军事领域都具有巨大的应用前景。目标追踪问题主要的技术难点是实时、准确和稳定地将感兴趣的目标表现出来,但是由于目标运动方式、运动场景和目标外在特征的突然改变以及光照变化和拍摄时的抖动等问题都会导致监测追踪系统准确率和稳定性的下降。本文对国内外目标追踪问题的热点和难点进行了详细的分析论述,将目标跟踪归结为目标识别和追踪两个部分来详细讨论,同时考虑到场景对目标追踪的直接影响,将场景理解作为目标追踪的重要技术难点进行了探讨,指出了视觉跟踪模型的具体问题。     

自动分割视频运动目标的一种实现方法

随着基于运动对象特征编码的MPEG-4压缩标准的制定及智能监控系统的广泛应用,从视频序列中分割出运动对象的算法成为当今研究的热点。为此,文章提出并实现了一种基于互帧差的视频运动对象分割方法。它先从互帧差图像中提取出运动物体的基本轮廓,通过膨胀运算将尽可能是前景的区域分离出来。再将前景区域边缘的象素作为种子队列的元素,从种子队列出发向前景区域内部收缩,最后搜索到运动物体。这种算法方法简单,运算量小,而且只使用了头两帧的信息,因而适合于实时应用。实验结果表明,这种方法能有效地分割出主要的运动目标。     

物体基视频编码中的运动物体分割

针对物体基视频编码应用,提出了一种基于运动的图像序列分割方案,它同时结合了亮度和运动信息,使用重构式开－闭形态滤波器等形态变换工具。此外,还提出了一种区域生长型的分水岭算法,它直接对要分割的图像而不是其形态梯度信号进行分割,克服了传统形态分割方法使用形态梯度信号而导致轮廓信息丢失的缺点。在具体实现算法时,文中采用了一种基于分级队列结构进行图像扫描的巧妙方法,大大提高了算法的效率。模拟结果表明,该方     

一种视频序列图像中运动目标的分割算法

提出了一种新的用于检测视频序列图像中运动目标的算法。该算法通过对差帧图像进行模板检测及形态学滤波,并结合Canny算子边缘检测获得运动目标的分割掩模,提取出运动目标。实验结果表明,该方法能够有效分割运动物体,具有较强的鲁棒性。     

基于截尾估计的概率估计方法

能否以高概率正确重建稀疏信号是压缩感知理论中的重要研究内容。信号的稀疏度及冗余字典原子间的相关特性是研究该内容的关键因素。文中运用累积增量的概念,提出了一种基于截尾概率的累积增量满足约束界的概率估计的方法。运用该方法,判断能否利用选取的测量矩阵正确重构原始信号。通过Matlab仿真,验证了将高斯随机矩阵作为观测矩阵,在OMP重构算法下,可以高概率地正确重构出原始信号,也验证了文中所提方法的合理性。     

以统计变化检测为基础的实时分割视频对象新方法

为了克服利用变化检测分割视频对象过程中的噪声、复杂运动、暴露背景的影响，提出了一种基于统计变化检测的实时分割视频对象新方法。在该方法中，由于统计变化检测技术是利用t分布来有效消除噪声的影响，而不需要估计噪声的方差，而且可利用间隔为k的两帧图像代替连续两帧来进行变化检测，因此可以很好地处理关节运动和慢运动；另外，对两个连续的统计变化检测结果取交集还可以消除暴露背景的影响，并能消除大部分的残留噪声，且几乎不增加计算量，因此统计变化检测可作为视频对象分割的基础，试验结果表明，该方法不仅解决了传统的变化检测过程中的噪声、复杂运动以及暴露背景影响，而且能够自动实时地分割视频对象，以满足MPEG-4等基于对象的视频应用。     

基于模糊推理背景分割的目标检测方法

为解决传统背景差分法存在的背景更新缓慢问题,提出基于模糊推理背景分割的目标检测方法。该方法在传统的背景差分方法中引入帧间差分方法,结合IF THEN推理规则进行模糊推理,实现了背景的快速更新及目标的正确检测。引入抗噪声推理机制,抑制跟踪目标抖动,增强方法鲁棒性。通过对鱼的运动检测实验表明,该方法能有效快速地提取干净的背景,对运动目标进行实时检测。