综合纹理和亮度的夜间场景图像来源检测方法

针对目前基于模式噪声方法处理夜间场景下图像来源检测准确效果较差问题,提出一种综合纹理和亮度的夜间场景图像来源检测方法。首先基于夜间场景图片会存在同张图片不同区域会有不同纹理和亮度从而会影响提取模式噪声质量不同这一理论依据,将图片根据纹理和亮度分成若干大小相等的块;然后对不同块按纹理平缓亮度良好、纹理复杂亮度差、纹理平缓亮度差、温度复杂亮度良好四种情况处理,其中对于纹理复杂的区域提取的噪声要抑制纹理干扰、对于亮度条件差的区域提取的模式噪声需要增强、对于亮度差且纹理又复杂的区域提取的模式噪声、既要抑制纹理的干扰又要增强模式噪声。实验结果表明,本文方法在夜间场景情况对图像检测整体识别率均在在80%以上,与传统模式噪声提取算法相比,该算法正确率能够提高4到12个百分点。

夜间弱光环境下运动目标的检测

夜间弱光环境下视频图像具有像噪声高、对比度低、无彩色信息等特点,加大了运动目标检测难度,可靠的运动目标检测是实现智能视频监控的关键。文章针对夜间弱光环境下视频监控近红外图像的特点,基于改进的近似中值滤波原理,建立了夜间弱光环境下视频图像双尺度背景模型,对运动目标进行双尺度检测,并通过实验验证了该方法对夜间弱光环境下运动目标检测的有效性。

基于光晕层次特点验证的夜间尾灯提取方法

针对目前夜间场景下尾灯提取算法存在的颜色和形状适应性受限问题,提出了一种基于尾灯光晕层次特点验证的尾灯提取方法。该方法与基于颜色阈值过滤的方法、基于形状过滤的方法以及基于机器学习的方法相比,具有较好的颜色和形状适应性,算法整体具备了实时性、较高的准确率和较少的误检率。

基于改进深度学习的夜间车辆道路场景识别分析

阐述夜间车辆道路场景识别,提出基于YOLOv5s的夜间道路场景识别检测算法,包括针对夜间道路小目标的YOLOv5s-L4-DCN-SN算法、针对复杂天气夜间道路的YOLOv5s-CBAM-BiFPN-IE算法。