复杂动态背景条件下喷雾纹影图像的处理

纹影方法是研究喷雾过程的重要可视化手段之一。本文分析了这种复杂动态背景条件下喷雾纹影图像的特征,使用当前帧减去前一帧的减背景方法、中值滤波去噪方法、阈值分割方法、阿尔法形态轮廓计算方法以及活动轮廓演化图像分割方法对喷雾纹影图像进行了处理,获得了喷雾区域,为处理类似低质量喷雾纹影图像提供了参考。

基于相位相关和差分相乘的动态背景下运动目标检测

本文提出一种基于相位相关和差分相乘的动态背景下运动目标检测方法。首先用相位相关算法配准由于摄像机运动导致的图像背景旋转、缩放和平移量,然后用连续四帧图像差分相乘的方法分割出运动目标的轮廓,最后用形态学图像处理方法填补运动目标中的小空洞,并滤除残留的孤立噪声点。经过对多个视频序列的试验验证,结果表明该方法具有良好的性能,它对于各种因素的影响,如光照变化、背景中树叶晃动等局部微小变化、背景配准误差等,都有很强的适应能力。

动态背景下基于改进视觉背景提取的前景检测

由于视觉背景提取算法(ViBe)对存在动态背景的户外视频的前景检测结果依然不够精确,故提出了一种改进的ViBe算法。文中描述了经典ViBe算法及其特点;介绍了改进的ViBe算法针对动态背景的改进措施。该算法采用多帧连续图像初始化背景模型,降低了单帧图像初始化所产生的"鬼影"对前景检测精度的影响;在匹配过程中,引入自适应的匹配阈值,克服了单个的全局阈值对动态背景适应能力差的问题;最后,在更新过程引入空间一致性判断与模糊准则来减少算法的误检,提高了算法的鲁棒性。实验结果表明,该算法可以有效地检测动态背景下的运动目标,检测准确率比经典ViBe算法提高了20%以上。

基于动态背景构造的视频运动对象自动分割

提出了一种基于动态背景构造的视频运动对象自动分割算法.首先,基于前景分离的动态背景构造技术使用与当前帧相邻的前后多帧图像中的背景信息准确地构造当前背景;然后,通过背景消除分割出运动对象,同时对静态前景区域(即帧间静止的运动对象区域)进行检测并将其合并到已分割出的对象区域上,从而获得完整的对象区域;最后,以对象区域的边缘为初始位置,使用以彩色梯度为外部能量的活动轮廓(snake)算法获得精确的对象轮廓.实验结果表明,该文算法有效地克服了显露背景和对象的不规则运动对分割准确度的影响,能够准确地实现视频运动对象的自动分割.

动态背景下基于粒子滤波的运动目标跟踪方法

在智能视频监控系统中,实现对动态背景下的运动目标准确跟踪是一个难点问题。使用一种基于粒子滤波的方法来对动态背景下的运动目标进行跟踪。该方法基于贝叶斯估计,利用粒子集来表示概率,通过递推的贝叶斯滤波来近似逼近最优化的估计结果。实验结果证明,该方法可准确跟踪动态背景下的运动目标,是一种有效的目标跟踪方法。

动态背景体育运动视频合成对比

针对在同一场景下获取的体育运动视频,提出了一种基于全局运动补偿及运动前景区域信息的体育运动视频合成方法。首先,对待合成视频,通过全局运动估计与补偿,将相邻帧在空间上对齐到当前帧。通过计算帧差,得到当前帧中的运动前景区域信息。然后根据两段待合成视频之间背景的相似性,计算并修正全局运动参数,确定待合成对应帧之间的位置关系。最后,依据已经获得的运动前景区域信息,生成合成帧。实验结果表明,该方法可自动合成在同一场景中获得的有相似动态背景的体育视频,保持了前景与背景的清晰度,能清晰地显示运动员动作的差异。

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。

一种基于动态背景的运动车辆跟踪算法

将动态背景生成技术应用于运动车辆的检测与跟踪 ,构建了一个运动车辆跟踪算法。在引入特征匹配值矩阵的基础上 ,设计了一种简单实用的目标跟踪状态判决逻辑。实验结果表明 ,该算法能够完成对多个运动目标的跟踪 ,而且对视角。

采用灰度加权核函数的动态背景运动目标检测算法

针对动态图像序列中的运动目标检测存在的运算速度慢、虚警率高等问题,提出了一种基于灰度加权核函数的检测算法。算法首先利用图像中的平均梯度最大块实现了图像序列的快速配准,然后将图像分为32×32的子块,分别计算每一子块图像的灰度加权核函数(GWK),利用bhattacharyya系数作为配准后图像对应子块GWK函数的相似性度量,确认灰度加权核函数发生变化的子块,进而完成图像中的运动目标检测。实验结果表明,基于灰度核函数的运动目标检测算法运行速度快,可以有效抑制图像配准误差以及灰度起伏的影响,实时实现运动目标检测,具有较好的实时性和鲁棒性。

基于贝叶斯模型的动态背景检测

利用贝叶斯模型结合核密度函数理论,给出了在复杂的动态背景下检测出运动目标的方法。首先,在图像相关性的基础上,利用非参数核密度估计的方法,建立前景和背景的核密度函数,再利用贝叶斯理论,估计出背景和前景的先验概率,两者相结合得到一个估计的阈值,从而实现目标和背景的分类。该方法对阈值的选取进行了理论分析,实验证明,提出的方法能够在动态背景中准确地检测出目标。

基于鲁棒M估计和Mean Shift聚类的动态背景下运动目标检测

针对动态背景下运动目标的检测问题,提出了一种基于鲁棒M估计和Mean Shift聚类的目标检测新方法。首先,在考虑全局光照变化的情况下,构建鲁棒M估计器估计全局运动,以实现最小化相邻2帧图像中所有像素亮度的绝对残差和,根据M估计得到像素点权值,提取出代表局部运动信息的离群点;在离群点中均匀抽取网格点,然后利用Mean Shift聚类算法实现不同运动点的分割;根据聚类的结果生成凸包,准确分割出运动目标区域。实验结果表明,该方法能检测出动态背景下的多个运动目标区域,多目标检测准确度到达95%以上,并且只需两帧图像就可以准确检测并锁定运动目标,满足实时处理的要求,具有一定的工程意义.

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。

动态背景下的运动目标检测定位算法研究

针对动态背景下的运动目标检测与定位,提出了一种直接对前景运动目标进行检测与定位的新方法;与传统方法的不同在于,传统的方法是对动态背景进行补偿来进行运动目标的检测与定位,因此受背景的影响很大;首先提取一组具有相似运动特征和色度空间特征的像素点,这样减小了计算量并且提高了抗噪能力;其次,对提取的像素点建立特征描述子并且利用均值漂移算法进行聚类处理,最后,利用聚类后得到的像素点集合进行运动目标的定位;实验结果表明,该算法可以有效地对高度动态背景下的运动目标进行检测与定位。

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。

竞争性合作与保护性约束:一个动态背景下的校企合作分析框架

文章通过对近40年职业教育制度的简要回顾,考查了其中技能形成过程中的政府治理模式、细分产权变化和产权主体行为等几个特征变量,并以一个基于产权理论的理论模型刻画了校企合作从初始垄断状态到围绕产权收益竞争性合作直至新约束产生的动态变迁过程,从而为校企合作提供了一个经验性证据:随着外部市场上劳动技能价格上涨,校企合作内部产权秩序将重新调整,直到职业教育在与市场互动的过程中找到相应的平衡点。

动态背景下运动目标检测算法

为解决动态背景下运动目标检测所得目标较为微弱且目标区域离散的问题,文中提出一种动态背景下的运动目标检测算法。首先利用SURF(Speeded Up Robust Features)算法提取图像中的特征点,通过双向匹配法去除误匹配的SURF特征点对,并将特征点分为前景点和背景点两部分;再利用背景点计算仿射变换矩阵,以提高仿射变换矩阵的准确性,完成背景运动的补偿,消除背景运动对目标检测的影响。然后对补偿后的图像采用帧差法和形态学操作,完成对目标的初步提取。最后利用颜色、位移和位置信息对目标进行归并处理,完成运动目标的检测。实验结果表明,文中算法能够准确检测出运动目标,并且所得目标较为明显且目标区域连续。说明文中算法准确率高且具有较强的鲁棒性。

基于光流的动态背景运动目标检测算法

Horn-Schunch(HS)光流算法能够在动态背景中检测出完整的运动目标,但该算法计算量大,且在图像纹理平滑区域不能检测出光流。本文在分析HS算法运算量的基础上,提出一种结合金字塔Lucas-Kanade(LK)光流和HS光流的动态场景运动目标检测算法。该算法首先利用金字塔LK光流法计算出图像的稀疏光流,根据稀疏光流的运动方向和幅值大小去除运动目标和误匹配点的运动矢量,提取出背景的运动矢量作为HS光流计算的初始值,完整地检测出运动目标。实验结果表明,该算法有效地提高了运动目标检测的速度,适用于云台摄像机的智能监控。

动态背景下基于光流场分析的运动目标检测算法

针对现有动态背景下运动目标检测算法的不足,提出一种基于光流场分析的运动目标检测算法.首先根据前背景在光流梯度幅值和光流矢量方向上的差异确定目标的大致边界,然后通过点在多边形内部原理获得边界内部的稀疏像素点,最后以超像素为节点,利用混合高斯模型拟合的表观信息和超像素的时空邻域关系构建马尔可夫随机场模型的能量函数,并通过使目标函数能量最小化得到最终的运动目标检测结果.该算法不需要任何先验假设,能够同时处理动态背景和静态背景两种情况.多组实验结果表明,本文算法在检测的准确性和处理速度上均优于现有算法.

复杂动态背景中的人脸检测

针对复杂动态背景中的人脸检测问题,提出了一种基于差影运算和肤色识别的检测算法。该算法首先通过改进的差影运算初步确定人脸区域,然后建立一个人脸肤色模型进一步进行肤色匹配,从而实现由粗到细的人脸检测。实验证明,该算法可以适应不同的光照环境,不受人脸大小和朝向的限制。其运算速度和精度均达到实用要求。

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测问题,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。