基于改进Surendra背景更新算法的视频火灾检测

针对目前视频火灾检测误检率高以及计算量大而需要高性能硬件支持的工程应用需求,提出了采用改进的Surendra背景更新算法实时提取视频背景。采用迭代法实时求取当前的最佳阀值,以及Surendra背景更新算法获取背景,依据背景求得图像中的运动区域,形态学处理后通过火焰颜色统计模型判别是否是火灾。实验表明,文中采取的检测算法快速高效,具有良好的市场应用前景。

多帧背景差与双门限结合的运动目标检测方法

为有效解决视频监控场景下运动目标快速、精确检测的问题,提出一种多帧背景差与双门限结合的运动目标检测方法.首先改进Surendra背景模型来获取干净的背景图像,根据灰度差分图像确定的两个门限值进行前景目标检测,低门限阈值用于检测出比较明显的前景目标(即粗检测),在粗检测的基础上利用高门限阈值以去除粗检测中存在的噪声目标与伪目标(即细检测),最终实现视频监控场景下运动目标的精确检测效果.针对车辆、行人等不同对象的监控场景下进行实验,验证了本文方法不仅能够有效地抑制噪声及伪目标的干扰,而且能够快速、准确地分割出前景目标.

多帧背景差与Cauchy模型融合的目标检测

为有效解决复杂监视场景中快速、准确检测运动目标,提出一种多帧背景差与柯西(Cauchy)模型融合的目标检测方法。该方法首先借鉴Surendra背景模型的思路进行改进,采用多帧背景差法获取干净的背景图像,然后利用实时的视频图像和当前的背景图像进行绝对差分处理,最后通过Cauchy模型对整幅绝对差分图像上的点进行背景点和前景点判别,实现对复杂监视场景中目标的准确检测。针对车辆、行人等不同对象的监控场景下进行实验,验证了本文方法不仅能够有效地抑制噪声及伪目标的干扰,而且能够快速、准确地分割出前景目标。

基于多算法融合的运动目标定位研究

在固定摄像头的情况下,背景消减法是用来提取视频中运动目标的最有效方法之一,提出了一种多算法融合的背景消减法.该算法通过充分融合发挥RGB彩色模型的颜色特征、码本法的抗扰动性和三帧帧差法与Surendra法的快速性,提出了一种新的背景建模算法以及消减方式,使得在尽可能降低计算量的同时成功提高了算法对闪烁背景的耐受性,并解决了复杂背景条件下运动目标出现缺损与空洞的问题.