视频监控图像去抖动视觉监测算法优化仿真

对视频监控图像的去抖动视觉监测算法的研究,可更好的对存在尺度、旋转变换的监控抖动视频图像进行去抖处理。对视频图像进行去抖动处理,需要先计算出图像特征点之间的校正量,对视频进行补偿,完成对图像的去抖动视觉监测。传统方法依据像素灰度差值搜索最优匹配项,求解当前标准帧的偏移量,但忽略了对图像特征点的校正,导致视频图像去抖动效果不理想。提出基于卡尔曼滤波的视频监控图像去抖动视觉监测算法。提取视频监控图像的特征点,结合快速近似最邻近库理论匹配视频邻帧间的图像特征点,剔除错误匹配的图像特征点,结合卡尔曼滤波理论对视频监控图像特征点轨迹进行滤波处理,计算出滤波前后图像特征点之间的校正量,直接对监控视频进行补偿,消除监控视频抖动。实验结果表明,所提算法能够有效减轻视频监控图像的抖动现象,具有更强的实时性及健壮性。

钻井现场指针式仪表读数自动识别方法研究

钻井数据采集过程中,由于现场安装、拉线等限制,传输稳定性不高,采集效果并不理想。引入了SSD+MoblieNet目标检测算法快速检测表盘位置并将表盘从复杂环境分离。使用Retinex特征增强算法并改进自适应Gamma增强使得复杂光在仪表上表现得更加自然,并在原有的图像去模糊技术上加入了模板匹配技术对表盘图像进行去抖动恢复,稳定有效地获取圆盘信息,进一步获取表盘指针角度信息。实验表明,改进后的方案能够在光照不均以及小幅度抖动下将误差控制在3%内,基本满足钻井现场指针仪表的测量要求,相对于传统方案,有着更强的实用性。

基于自适应高斯混合模型的铁轨异物入侵检测研究

针对复杂铁路环境下异物入侵动态检测抗扰能力弱和快速性差等问题,本文提出了一种基于自适应高斯混合模型(adaptive Gaussian mixture model, AGMM)的铁轨异物入侵检测方法。通过分析铁路场景发生复合抖动时存在随机性的特点,首先对输入的铁路视频进行抖动检测,然后引入仿射变换与中值滤波,对视频序列中存在抖动的图像进行处理。再采用逐帧迭代填充的方法,对去抖后图像出现的黑边进行填充,得到无抖动和无黑边的铁路视频帧。最后,在现有高斯混合模型的基础上,设计了自适应选择高斯分布个数和学习率,利用改进后的高斯混合模型实现复杂铁路视频的背景建模,并由此提高前景目标的检测速度。实验结果表明,本文方法在铁路视频存在抖动的情形下,轨道异物入侵目标检测的精度是原有的2.6倍,检测速度是2.8倍,能提高目标检测的抗干扰性和快速性。