与视频背景颜色相似的纹理缺乏前景目标检测方法

现有的视频运动目标检测方法无法有效跟踪与背景颜色相似且纹理缺乏的运动目标,对此,提出一种基于非下采样小波变换的LBP(UW-LBP)纹理特征提取新方法。对当前图像和背景图像进行三层非下采样小波变换;对每个小波变换子图提取LBP纹理特征,为了提高运算速度,没有采用LBP直方图,而是用一个8×n位的二进制向量定义UW-LBP描述子,并用海明距离度量局部纹理的差异;提出一个从像素级到图像块级的层次的运动目标检测策略。实验结果表明,所提出的算法能够有效地检测与背景颜色相似的纹理缺乏运动目标,并对噪声和环境变化有良好的鲁棒性。

森林火灾火焰像素检测的背景减除算法

背景减除(background subtraction,BS)是森林火灾火焰图像中运动像素检测的主要手段,已有文献多采用高斯混合模型进行运动像素检测,然而GMM算法对于背景包含大量运动像素的视频并不能取得好的效果,而野外环境的森林火灾视频风吹树枝叶会导致大量的运动像素。为更好地提取森林火焰的运动像素,对36种BS检测算法应用于光照强度变化、树枝叶摆动、相机抖动等多种森林火灾视频进行实验,并选择4种效果好的BS检测算法(高斯平均值背景减除法(DPWren GA)、改进的高斯混合模型(DPZivkovic AGMM)、混合高斯背景模型(Mixture Of Gaussian V2)、局部二进制相似度分割背景减除法(LOBSTER))进行分析研究。结果表明,DPWren GA法检测到的前景完整性不够理想,但其噪声点最少,精确率最高。LOBSTER法能最完整地分割出前景。4种算法对阳光强烈的场景和存在树枝遮挡的火灾视频的检测效果都不是很理想,但对相机抖动有较好的适应性。

一种快速有效的指纹识别算法

指纹图像是由交错排列的脊线和谷线组成,包含了丰富的纹理信息。为了获得更为有效的纹理信息,首先将图像分解为3个级别的区域块,来校正小尺寸块的方向角,以确定指纹的中心点位置,进而提高算法的运算速度;然后利用小波变换将指纹图像由空间域转换到频率域,在频率域进行多尺度分析,提取指纹图像在不同频率和方向上的局部纹理信息,提高指纹识别的准确率。该算法在以ARM11为处理器的嵌入式系统中实现。实验结果表明,该算法能够快速有效地识别指纹图像。