改进的背景减法与五帧差分法相结合的运动目标检测

为了能够更加准确、完整地检测出视频中的运动目标,该文基于改进的背景减法与五帧差分法,提出了一种高效、快捷的目标检测方法。该方法对视频中相邻五帧图像进行灰度变换、中值滤波和直方图均衡化等预处理,以降低噪声影响;利用五帧差分法得到第3帧中目标的大致范围的二值图像,同时将第3帧与系统预存背景帧差分,并对获得的结果实行边缘提取操作和二值化处理;将2种方法得到的图像进行逻辑或运算,即可得到运动目标的精确区域。经试验证明,该种方法获得的目标区域轮廓更加清晰,内容更加丰富。

基于五帧差分法的动态目标检测新算法

针对传统帧差分法检测准确率低且对光照变化敏感的问题,提出了改进的五帧差分的目标检测方法。首先将连续的五帧彩色图像转为灰度图,并进行高斯滤波和中值滤波除噪;然后将当前帧分别与前2帧、后2帧进行差分二值化运算;再将4个帧差分结果进行先"或"再"与"运算;通过形态学后处理检测出目标;最后引进一个新的综合指标H评估检测算法的优劣。实验结果表明,该算法能快速地检测出目标,能适应光照变化等复杂场景下的目标检测,具有较强的鲁棒性和较高的准确率。

基于SACON模型和五帧差分法的目标检测算法

在充分研究现有运动目标检测算法的基础上,针对当前常用运动目标检测算法易受光照和噪声的影响,不易提取完整运动目标,提出了一种新的结合SACON背景模型与五帧差分法的运动目标检测算法。对传统的SACON算法进行改进得到运动区域,与五帧差分算法提取的运动目标相结合,采用动态阈值以适应光线突变,通过孔洞填充等后处理,综合得到运动前景图像。该算法有效地处理了孔洞和噪声问题,具有很好的实时性以及抗干扰能力,能够精确地检测出运动目标。

基于ViBe模型和五帧差分法的目标检测算法

针对当前常用ViBe算法对光照适应性差,当光照突变时ViBe算法把大面积的背景误判成前景;为此提出了一种结合ViBe背景模型与五帧差分法的新的运动目标提取方法。首先采用ViBe算法提取运动前景目标,然后将整个前景图片分成若干区域,统计这些区域中前景像素个数大于预设阈值的区域的个数,将符合条件的区域的个数与整个前景图片区域总数相比,当比值大于某一阈值,发生了判断为光照突变改用五帧差分法处理图像;最后通过连通性检测和形态学操作等后处理,最终提取出运动前景目标。实验结果表明:该算法能够有效地防止ViBe算法把大面积的背景误判成前景,提高了ViBe算法对光照变化场景下的鲁棒性,检测效果优于单独使用ViBe算法和五帧差分法的检测效果。

一种结合GrabCut与五帧差分法的ViBe算法

ViBe是一种像素级的背景建模、前景分割算法,其效果优于目前人们所熟知的几种算法,但其还是有检测目标不够完整、因背景与目标颜色相近或光照剧烈变化而容易形成鬼影等不足。针对这两个问题,提出一种结合GrabCut与五帧差分法的ViBe目标检测算法。首先通过ViBe与五帧差分法提取的前景进行“与”运算,然后对所得结果进行形态学处理,减少所得目标分割图像的噪声,并且在非理想状态下,对被分割为多个区域的有效区域进行合并,最后利用GrabCut算法对每个有效区域进行分割。实验结果表明,该算法可有效提取出完整的前景图像,并且减少了背景与目标颜色相似或光照变化对ViBe算法的影响。

基于五帧差分和模板匹配的运动目标检测识别

针对帧差法和背景差分法检测运动目标准确率低,自适应能力弱等缺陷,提出了一种改进五帧差分法与背景差分法和模板匹配相结合的运动目标检测和识别算法;通过改进的五帧差分和背景差分法融合的算法从视频图像序列中检测出运动目标;利用形态学方法去除噪声,改善运动目标提取效果;在Harris算法提取图像匹配特征值的基础上角点配准,提高图像识别的准确率,通过提取目标特征与自适应模板图像进行特征匹配的方法实现了目标检测识别和跟踪。仿真结果和实验表明该方法有噪声和部分遮挡的运动目标有良好的检测识别效果,识别率达到了95%。

融合五帧差分与高斯模型的运动物料袋检测

提出了一种快速检测方法。以动态传送带与物料袋为研究对象,用改进的五帧差分法提取运动物料袋图像,同时以中间帧图像为参照进行单高斯背景更新;采用中间帧图像与背景图像做差,将得到的前景图像与帧差法得到的运动图像进行形态学"与"运算;当帧数满足给定条件时,表明该帧为完整物料袋图像,保存帧图像,并对不满足该条件的相邻帧图像通过加运算补偿。实验结果表明,该方法可以得到准确、快速的检测结果,并且对环境变化具有较强的鲁棒性。

混合高斯模型结合五帧差分的运动目标检测

在复杂背景下,光照变化、目标短暂遮挡以及背景运动等因素会导致运动目标检测精度较低.提出一种结合改进混合高斯模型和改进五帧差分的运动目标检测算法,首先在混合高斯模型中加入自适应学习率以及背景学习速率更新策略有效解决传统背景更新速率恒定而出现的残影现象;然后利用改进的五帧差分法克服运动目标短暂遮挡问题,并加入光照阈值判别因素,有效减弱光照变化带来的影响;最后对两者结果进行或运算进而得到最终检测结果.实验结果表明,该融合算法在复杂环境下具有一定的抗干扰能力,运动目标检测精度较高.

基于混合高斯模型与五帧差分的运动目标检测算法

针对传统的混合高斯模型提取到的运动目标含有大量空洞,易将背景显露区域检测为前景,容易受到光照突变的影响等问题,提出一种结合五帧差分法和混合高斯模型的运动目标检测的改进算法。基于改进帧差法得到的五帧差分法与传统三帧差分法相比,前者能得到拥有更少内部空洞的前景图像并同时通过混合高斯模型将图像分为背景区域、背景显露区域和运动目标区域。赋予背景显露区域较大的更新率,从而解决背景显露区域容易被检测为运动目标的问题。接下来,在前景目标分割阶段,只将权重大于平均权值的分布用于前景分割,能够进一步减少运动目标内部空洞。实验结果表明,改进后的算法能够减少背景区域的噪声并能提取完整的运动目标。

基于改进的五帧差分与MeanShift的目标跟踪算法

针对传统MeanShift算法无法持久跟踪快速运动目标和受遮挡目标的问题,提出改进的五帧差分与MeanShift相结合的目标跟踪算法。首先使用改进的五帧差分法提纯动态像素点,获取其形心位置、颜色信息和边缘轮廓,以此作为初始化目标模型;然后采用MeanShift算法,以颜色信息和边缘轮廓为特征,从提纯的候选目标模型中,搜索与目标模型相似性最大的最佳匹配位置,实现目标跟踪。实验结果表明,该算法很好地解决了目标快速运动和目标受遮挡的跟踪误差问题,具有较强的鲁棒性和较高的准确率。

基于Surendra背景差分和帧间差分的运动目标检测

运动目标检测是视频监控和目标跟踪研究的前提,目标提取是否准确,将直接影响到后期目标跟踪和处理的效果。该文在背景减除法和五帧差分法的基础上,提出了将两种算法相结合的方法,对视频序列中的运动目标进行检测。首先采用Surendra背景减除法建立背景模型,并通过迭代法计算出动态阈值,完成背景更新,然后将检测出的运动目标区域与五帧差分法得到的目标轮廓图形进行逻辑"或"操作,取得比较完整的运动目标,最后采用连通性检测和孔洞填充方法综合得到运动区域图像。通过MATLAB验证和量化评估表明,该方法能准确地检测出运动目标,同时在识别率和误检率方面也得到了较好结果。

视频监控中运动目标检测和阴影消除

由于外界环境的复杂性,视频监控中检测出的运动目标往往轮廓缺损,并伴随阴影和噪声等问题。提出了一种方法用以改善轮廓、消除阴影和噪声。该方法首先利用五帧梯度图像的差分确定运动目标的变化区域,再与背景差分法的结果相或,获取了运动目标的完整轮廓。分析了阴影在HSV颜色空间的特性,用以消除阴影,并根据噪声的分布特性去除噪声。处理结果表明,处理速度为20 ms/帧,达到实时性要求,运动目标消除了阴影和噪声,具有较强的鲁棒性。

基于长基线双目系统的信号弹高度测量方法

针对信号弹测量的实际需求,增加了现有双目视觉系统的基线长度。使用标准尺寸的特征物来搭建外参数标定系统,利用最小二乘法拟合特征物轮廓,提取特征点像素坐标,建立约束方程组;使用LM优化算法分别计算出两相机与标定系统的旋转量与平移量,进而求解两相机之间的外部参数。利用五帧差分法提取信号弹目标,最终获得信号弹飞行高度。试验证明,该方法测量精度高,鲁棒性较好。

一种基于优化ViBe算法的人形分割方法

人形分割在视频监控研究中具有极其重要的意义。ViBe算法因其运算效率高、算法思想简单且容易实现的特性受到许多研究学者的青睐,并被应用到人形分割的研究中。针对ViBe算法在应用于人形分割研究时易于出现鬼影和容易对光照引起的阴影造成误检的现象,提出了一种改进的ViBe算法—VSFC(ViBeSurendraFive-frameCanny)算法。首先将利用Otsu自适应阈值的Surendra算法得到的初始背景用作背景模型的初始化。其次,通过将ViBe算法所得出的前景与五帧差分法得出的前景采用“与”运算的方式获得人形分割结果,并对得到的人形分割结果进行形态学处理,以便能够消除较大的噪声。最后利用Canny边缘检测算子对人形的边缘信息进行提取,利用小波融合方法将前面得到的人形结果和边缘信息进行融合,得到最后的人形分割结果。在更新机制方面,提出动则更新的更新思想,对于那些长时间静止不动的像素点,采取隔时更新的方式,提高了算法的实时性。