帧间差分与背景差分相融合的运动目标检测算法

针对视频序列中运动目标检测进行了研究, 提出了一种将帧间差分和背景差分相互融合的运动目标检测算法, 首先选取一帧作为背景帧, 确立每一个象素点的高斯模型; 然后对相邻两帧进行差分处理, 区分出变化的区域和没有发生变化的区域, 没有发生变化的区域更新到背景帧中, 发生变化的区域与背景模型进行拟合, 区分出显露区和运动目标, 将显露区以很大的更新率收入到背景帧中。该方法允许在有运动物存在的情况下进行建模, 实验表明该方法准确率高, 运算速度快, 能满足实时检测的需要。

基于三帧差分和连通性检验的图像运动目标检测新方法

图像运动目标检测是视频监控、数字电视等重要系统中的核心技术。文章提出一种利用梯度信息、三帧差分以及连通性检验等后续处理措施和自动提取图像运动目标的新算法。分析和仿真结果表明,该算法具有较小的运算量和较高的处理速度(对于320×240×24bit图像,可达15ms/帧),并且能够适应噪声较大和整体亮度突变的情况。

基于多列深度3D卷积神经网络的手势识别

传统2D卷积神经网络对于视频连续帧图像的特征提取容易丢失目标时间轴上的运动信息,导致识别准确度较低。为此,提出一种基于多列深度3D卷积神经网络(3D CNN)的手势识别方法。采用3D卷积核对连续帧图像进行卷积操作,提取目标的时间和空间特征捕捉运动信息。为避免因单组3D CNN特征提取不充分而导致的误分类,训练多组具有较强分类能力的3D CNN结构组成多列深度3D CNN,该结构通过对多组3D CNN的输出结果进行权衡,将权重最大的类别判定为最终的输出结果。实验结果表明,将多列深度3D CNN应用于CHGDs数据集上进行手势识别,识别率达到95.09%,与单组3D CNN及传统2D CNN相比分别提高近7%,20%,对连续图像目标识别具有较好的识别能力。

灰关联分析在视频运动目标检测中的应用

由于运动图像和背景具有极大相似性,通过背景图像和运动图像之间关联程度的大小能够检测出运动目标,故提出一种基于灰关联分析的运动目标检测方法.在室内和室外不同光照场景下,通过固定摄像机捕获的视频图像序列中的运动车体和人体进行检测;选取适当的比较图像序列,对该序列和含有运动目标的视频图像作灰关联分析,以清楚、完整地提取出运动目标.该方法对背景的要求很低,对噪声的抑制能力强,可以在一定程度上抑制阴影的影响.

移位帧累积技术中的移位参数检测研究

移位帧累积技术在抑制图像噪声的同时,避免了运动图像直接帧累积所带来的边缘模糊,从而有效地提高了运动图像的像质。准确判定目标在图像中的运动方向及移位量是移位帧累积技术的关键。提出了一种适用于运动图像序列的目标移位参数快速检测方法。该方法通过相应算法产生包含特征像素的帧差图像,并通过对特征像素的统计进行目标运动方向的判别及移位量的计算,从而实现对目标运动参数的自动检测。实验结果表明移位量的检测值与实际值具有良好的一致性。

视频监控中运动图像序列三维重建

视频监控中运动图像序列三维重建一直是三维重建研究的重点,其重建效果会对运动图像的清晰度产生影响。但当前三维重建方法都是通过获取二维视频监控中的运动图像序列,通过基于Java Applet与Java Application编程,采用体绘制法完成视频监控中二维运动图像序列的三维重建,该方法无法保证重建后的图像质量,导致图像清晰度不高。为此,提出基于图像特征点提取与匹配的视频监控中运动图像序列三维重建方法。首先,对视频监控中运动图像序列特征点进行检测,并对特征点一定邻域内图像的纹理、结构以及其他特征进行统计,通过对运动图像序列特征点的特征比较,完成运动图像序列特征点提取与匹配;然后,对视频监控中运动图像序列的结构和运动初始化,并进行视频监控相机的自标定,实现对视频监控中运动图像序列的三维重建。实验结果表明,所提方法能够有效提高三维重建后视频监控中运动图像序列的清晰度,减少三维重建流程,提高运动图像序列重建效率,具有良好的使用价值。

视频运动检测算法的研究和分析

描述了在视频监控系统的特点和现状,介绍了在视频监控中进行视频运动检测的算法。对其中一些算法作了着重的研究,其中包括图像序列差分法、背景差分法、光流法等,进一步的分析了这些算法所存在的优缺点,并对图像序列差分法做了改进。在不同的场合可做不同的选择。