基于Laws能量和变化频次的伪装色移动目标检测

动态背景下的移动目标检测是视频监控的研究热点之一,具有伪装色的移动目标检测是其中的一个难点。传统的高斯混合模型不适合检测这类移动目标。通过分析动态背景下具有伪装色移动目标的颜色变化规律,提出了利用Laws能量和一种称为变化频次的特殊统计量的检测方法。实验表明,该方法能够有效地检测某些动态背景下一些具有伪装色的移动目标,即在摄像头固定情况下,对于平缓变化的动态背景中颜色变化幅度较大或者表面纹理复杂的具有伪装色的移动目标,该方法具有良好的检测效果。

一种基于轮廓与背景消除的红外视频移动目标检测方案

针对红外视频的移动目标检测算法在还原目标时,目标的轮廓还原准确率较低的问题,提出一种基于轮廓与背景消除的红外视频移动目标检测方案。首先,从视频中选取一些不含目标对象的帧,对选取的帧进行统计处理并建立背景帧;分析背景的场景变化建立变化的自适应背景帧,并将背景帧的杂波过滤掉;然后,使用Canny边缘检测和K-means聚类检测目标轮廓并将目标轮廓从背景提取出来;使用形态学的边缘连通算法将目标轮廓进行关闭与Flood-fill填充处理获得目标对象的形状。对比实验结果证明,相较于其他红外视频移动目标检测算法,该算法获得了较好的目标轮廓与形状,同时,该算法的检测率与虚警率性能以及每帧的处理时间均较优。

大数据驱动的红外移动目标检测

为了精准检测移动目标,提出一种大数据驱动的红外移动目标检测方法。采取空间滤波法预处理红外图像,抑制红外图像背景、增强图像内移动目标边缘,采用Seletive Search策略,通过区域划分算法划分预处理后红外图像为若干块小区域,提取若干个红外移动目标候选区域;为避免相邻红外移动目标候选区域图像间存在帧间差异及虚警,影响移动目标中心位置检测效果,提取移动目标候选区域的灰度特征,并结合运动特征建立加权融合特征,精准定位移动目标候选区域,将移动目标候选区域输入卷积神经网络,网络输出结果即为检测到红外移动目标,利用损失函数判定该目标是否为真实移动目标。实验研究表明:所提方法能够精准定位红外移动目标候选区域,检测出红外移动目标,检测性能较好,拥有较强的收敛性。

应用勒贝格积分和卡尔曼滤波的移动目标检测跟踪算法

为了更好地完成移动目标的检测跟踪,提出应用勒贝格积分和卡尔曼滤波的移动目标检测跟踪算法。该算法将动态视频中某点的灰度值变化看作离散随机信号,利用其在不同时段有不同性质的特点,按照勒贝格积分的思路对变化平缓的背景时段信号进行积分,完成背景提取。以提取的背景为参考值,经过差分计算检出移动目标,之后用卡尔曼滤波预测目标可能的运动范围,通过奇异值分解系数进行特征匹配,确定目标最终位置,根据偏差修正卡尔曼滤波参数,实现目标的实时跟踪。实验结果表明,该算法可以完成复杂运动环境中对移动目标的检测跟踪。

基于场景知识的移动目标检测

依据背景差法中背景建模的思想,从提取场景知识的角度出发,建立待检测场景的场景知识库,从而提出一种基于场景知识的移动目标检测算法。使用改进的均值漂移算法对待检测场景进行分割,并提取分割后各个区域的底层视觉特征建立场景知识库;从新的场景帧图像中获取各区域的知识特征向量,然后根据和原场景知识库中各特征向量的匹配结果检测出移动目标信息。仿真结果表明,该方法能有效地检测出场景中原有目标和新进入场景目标的移动信息,并在一定程度上改善了目标阴影、形变等噪声对检测结果的干扰。

基于Wi-Fi穿墙雷达的无源移动目标检测方法

穿墙目标检测在安防、智能家居和应急救援等方面具有重要的应用前景。目前,基于Wi-Fi的穿墙目标检测方法需在检测区域内安装额外设备,或需对硬件进行复杂改动。针对上述问题,提出一种新颖的基于Wi-Fi穿墙雷达的移动目标检测系统WiTWR,在检测区域内无附加设备并无需对硬件进行任何改动的情况下,实现墙后无源移动目标检测。对接收信道状态信息(channel state information,CSI)构建接收信号模型并对其相位进行修正;设计一种干扰抑制算法对墙面强反射信号进行抑制,并利用小波去噪对噪声干扰进行抑制;对子载波进行挑选并分别提取CSI在有无目标情况下的幅值和相位特征,在此基础上,利用支持向量机(support vector machine,SVM)构造目标有无检测分类器,从而实现穿墙目标检测。实验结果表明,提出的基于Wi-Fi穿墙雷达的目标检测方法准确率能达到85%以上。

一种基于相关特征匹配的移动目标检测方法

提出了一种在变化背景中利用相关特征匹配来检测移动目标的方法,该方法利用图像的灰度均值及灰度均方差作为自适应阈值过滤原图像,将图像中的目标物分离;提取特征并将特征参数化,利用特征参数欧式距离检测目标;通过检测连续多帧图像,对图像中非移动目标进行过滤,最终得到移动目标。该方法与相关系数法检测移动目标的方法相比减少了计算量,并且相邻图像中存在部分相同背景的情况不影响检测结果。实验结果证明,该方法能在变化背景图像中有效地检测到运动目标。

一种改进ViBe算法的移动目标检测方法

针对基本ViBe算法在进行移动目标检测时存在“鬼影”现象的问题,文中分析产生“鬼影”现象的原因,并提出一种改进ViBe算法的移动目标检测方法。改进ViBe算法在进行初始化时,初始背景模型的建立方式由基本ViBe算法从待检测视频序列第一帧每个像素点的8邻域随机抽取N个像素样本点,改变为从待检测视频序列前4帧每帧图像像素点的24邻域随机抽取5个像素样本点。改进后的初始化方式扩大了抽取像素样本点的范围,减轻了移动目标存在于待检测视频序列第一帧时的影响。为检验文中改进ViBe算法的效果,在highway数据集、pedestrians数据集和Views_001数据集上进行验证。移动目标检测结果表明,与基本ViBe算法相比,文中提出的改进算法能够加快消除“鬼影”现象的速度,移动目标检测的效果更好。

交通视频的移动目标检测算法研究

对视频序列的目标进行识别和跟踪监控是计算机视觉领域的关键技术。依据图像处理和目标检测研究方向的热点算法,将帧间差分与混合高斯背景模型融合法应用于交通视频移动车辆的目标检测分析中。该算法通过背景差分求出光照影响的动态阈值范围,若光照检测阈值小于该动态阈值,选择混合高斯背景模型法,大于该动态阈值则选取帧间差分法。再通过开运算、闭运算、连通域计算,以及区域的凸包形态学运算即可准确描述目标。实验结果表明,该融合算法消除了鬼影现象,在光照环境改善的情况下可以有效应用于交通视频中移动车辆的目标检测。

基于移动目标检测和目标追踪的全局视觉AGV的定位算法

针对目前全局视觉定位算法无法对外形变化较大的自动导引运输车(Automated Guided Vehicle,AGV)进行定位的问题,提出了一种基于移动目标检测和目标追踪的定位方式。选用基于高斯混合模型的背景建模法进行移动AGV检测,当初始选择框太大时采用显著性目标检测方式进一步提高精度,将移动目标检测与目标追踪相结合完成了AGV的定位。实验结果表明,本文设计的定位算法满足实际定位需求,可应用于车间物流AGV。

融合MOG2算法与FT算法的移动目标检测方法

针对移动目标检测方法存在的受背景环境影响而导致检测结果不准确的问题,本文提出一种融合高斯混合模型的背景减除法。算法与频率调谐显著性区域检测(frequency-tuned,FT)算法的移动目标检测方法。该研究以摄像头拍摄到的遥控车行走视频为分析材料,在降采样图像上用MOG2算法检测移动目标,经二值化和滤波去噪后框选移动目标感兴趣区域,采用FT算法检测此感兴趣区域,并利用置信度结合两次检测结果完成移动目标检测。实验结果显示,在置信度分别为α=0.6,β=0.4时,本文检测方法将检测300帧图像时平均交并比由0.72提高到0.78,说明该算法可以消除背景阴影及鬼影影响,从而有效提高移动目标的检测精度。

基于车载计算机的红外图像移动目标检测

环境感知系统作为无人车平台的重要组成部分,是路径规划与决策控制等功能实现的基础与前提。结合车载计算机的硬件基础,设计一种复杂场景下的红外图像移动目标检测系统。该系统采用客户端/服务端(B/S)架构,在客户端浏览器进行服务请求后,服务端使用改进的YOLOv2算法对车载Rapid输入输出(RapidIO)高速总线传输来的红外图像进行目标检测;通过维度重聚类和改进激活函数等方法,有效降低了漏检和误检率;为弥补红外图像对比度低、纹理特征弱的缺点,提出一种基于直方图均衡化的双边滤波图像增强算法,该预处理能够有效保持图像轮廓细节信息。结果表明:改进YOLOv2算法的实时检测准确度相对于原始算法提升了4.1%;图像预处理算法显著提高了检测准确率;该系统可为开拓无人车载红外图像的应用领域提供可靠的技术支撑。

复杂背景下的移动目标检测算法

为解决安防领域目标检测中复杂背景信息对检测系统的干扰并满足检测系统实时性的要求,提出一种基于深度学习在复杂背景下的移动目标检测算法。为减小复杂背景信息对检测系统的干扰,采用混合高斯背景建模算法(GMM)将视频图像中的前景与背景信息分离,提取出有效的前景位置信息。为提升算法模型的检测速度,采集数据集训练YOLOv4算法,接着将训练后的算法模型输入到剪枝网络进行模型剪枝,得到模型参数少、检测速度快的改进YOLOv4算法模型。最后,将GMM算法提取的前景位置信息作为改进的YOLOv4算法的检测输入,实现对复杂背景下移动目标的快速检测。根据实验结果所示,所提出的算法在测试数据上背景信息造成的误检降低了71.7%,检测时间减少了32.9%。实验结果表明,所提出的算法能够有效减少复杂背景信息对检测系统的干扰,同时算法具有较高的检测速度。

基于视频图像采集移动目标检测系统的设计

在智能视频监控系统中,视频图像采集移动目标检测是其关键技术,为了能够实时检测视频序列帧中出现的移动动目标,获得移动目标参数,进而获得移动目标的运动轨迹.本文对视频图像采集移动目标检测系统的构成,和系统中图像处理技术、视频、运动目标检测算法进行了研究,并在计算机及嵌入式系统中实现了移动目标的检测.

城市环境下基于双目视觉的移动目标检测

随着无人驾驶等技术的快速发展,利用车载传感器收集城市环境数据,实现城市环境信息的精确提取成为研究热点。然而,车载传感器在数据获取时的自身移动和周围移动目标的干扰,增加了城市环境信息提取的难度。针对该问题,提出了基于双目视觉的移动目标检测算法。该算法利用深度学习Faster R-CNN技术和基于SLAM的VINS Fusion计算框架,整合了目标检测、同步定位与制图、图像匹配等技术,通过位姿解算过程获取了目标在真实世界中的位置坐标并检测目标移动状态。实验结果表明,该方法可在动态场景下精准分离动态目标和图像背景,能实现在复杂城市场景中的移动目标检测。

改进的FBS-ABL运动目标检测算法

针对快速背景减除法(FBS-ABL)在复杂环境下易存在鬼影的问题,提出一种改进的FBS-ABL算法。该算法在FBS-ABL算法检测到前景目标的基础上,求出前景运动目标及其邻域的像素直方图并进行匹配,判断目标区域是否存在“鬼影”,通过改变该区域的像素值消除“鬼影”。同时对于鬼影目标可能存在的区域再次进行背景初始化,抑制“鬼影”的出现。在两个不同的场景进行了实验验证,结果表明,改进的FBS-ABL算法对“鬼影”消除有着良好的效果,对目标检测的准确率有着明显的提升。

利用FPGA实现视频移动目标的有效检测

利用FPGA实现了一个视频移动目标检测系统,算法的基础是背景差分法。为了准确检测和定位移动目标,利用了灰度漂移算法和多颜色空间信息融合算法。灰度漂移算法是课题组最近在研究高斯混合模型的过程中提出的一种消除背景差分法检测的移动目标存在过多噪声杂点的算法,可以非常有效地消除由于微震动、空气扰动等原因导致的像素灰度在邻近区域发生漂移的现象;多颜色空间信息融合就是利用多个颜色空间中的一些互补分量共同确定移动目标。利用FPGA实现了上述两种算法,在移动目标的实时检测和跟踪中取得了很好的效果,对于丰富和增强监控系统功能有重要意义。

复杂静态背景下多移动目标实时检测系统的FPGA实现

设计了一个基于FPGA的复杂静态背景下多移动目标实时检测系统。系统采用背景差分算法进行移动目标检测;采用中值滤波、像素漂移、腐蚀膨胀、Sobel边缘检测算法对差分结果进行处理。实验结果表明,在复杂静态背景下,系统可以精确地检测到视野内的移动目标,能够提取清晰的目标轮廓,并及时报警;通过多重去噪技术,基本将噪声滤除干净;系统处理速度快,能够满足智能视频监控系统实时性的要求。

一种改进的光帧差移动目标跟踪与检测算法研究

在传统移动目标的跟踪与检测算法基础上,提出了一种改进的智能视频跟踪与检测算法,目的是要提高普通视频中移动目标跟踪技术的实时性、有效性。为了降低传统视频中移动目标跟踪的编程难度,减小计算量,在前期采用图像帧差法来捕捉移动目标的区域,在后期运用最优估计点匹配技术与光流均匀采样技术构建光流场实现图像的检测与跟踪。实验仿真表明,该方法能对视频流中的移动目标进行实时有效的跟踪与检测。

分数傅立叶变换用于抑制SAR杂波背景检测慢速动目标

慢速运动目标在时、空、频域上都落入主杂波区。利用单通道SAR图像中静止背景的信息抑制静止杂波,可改善检测动目标的性能。分数傅立叶变换是线性变换,不存在交叉项,采用分数傅立叶变换搜索匹配动目标信号,使其能量汇聚。对称计算旋转角正负对称的分数傅立叶变换,在两个对称的分数傅立叶域中得到两个复信号,这两个复信号中静止背景的模处处相同,而包含动目标的区域,模的幅度有很大差别,计算对称的分数傅立叶域信号对应位置模的差,取绝对值,可对消静止背景,敏锐地检测动目标。实测数据表明本算法有效。