一种对光照变化鲁棒的移动目标前景提取方法

运动目标前景提取是对其进一步分析如特征提取、行为分析等的基础。RPCA(鲁棒主成分分析)分解可以得到较为完整的目标前景,但该方法对光照变化敏感,容易导致误检。利用Lab颜色空间中a,b通道对光照变化不敏感的特点,可以提高基于RPCA分解的前景提取方法对光照变化的鲁棒性,首先对图像L,a,b通道分别进行RPCA分解得到稀疏前景,然后利用大津阈值分割各通道二值化前景并采用种子点填充技术融合不同前景,最后利用形态学滤波优化融合结果提取准确的运动目标前景。实验结果表明,该方法可以在复杂背景下准确提取运动目标前景,且能有效克服光照变化的影响。

一种动态场景下的视频前景目标分割方法

视频中运动前景目标的分割是计算机视觉领域的一项关键问题,在视频监控、检索、事件检测等多个方面具有重要应用价值。现有视频前景目标分割技术主要针对静态场景,在动态场景下难以获取良好效果。该文提出一种高斯混合模型与光流残差相结合的前景目标分割方法。该方法使用高斯混合模型建模,提取初步的前景区域;利用光流残差进一步滤除其中动态纹理背景干扰;采用形态学处理获得前景目标。实验显示,与现有方法相比,该方法可更准确地从动态场景中分割出前景目标轮廓。

聚类差分图像核密度估计前景目标检测

针对非参数核密度估计学习阶段信息冗余与重复计算,估计阶段的估计错误噪声和计算量大的问题,提出了一种基于聚类分析的差分图像核密度估计前景目标检测算法。该方法在非参数核密度估计的学习阶段基于最大最小聚类原理从原采样全样本中提取那些具有较高频度和多样性的小样本来包含尽可能多的关键样本信息,在估计阶段采用基于自适应阈值的图像差分滤去非典型的运动像素,再利用高斯核密度估计进行运动像素分类。实验结果表明该方法限制了非典型运动像素估计错误产生的噪声,并减少了核密度估计计算量,提高了算法的实时性。

基于邻域相关性和帧间连续性的前景目标分割

提出了一种新的运动目标分割算法。首先利用像素的颜色、空间的和帧间的特性信息结合贝叶斯判别定理对视频图像进行粗分割,得到一个前景目标的二值图,由于该类方法基于像素间彼此独立的假设,导致分割出的前景目标不完整存在很多空洞。其次,基于前景目标局部邻域空间的一致性假设,计算该邻域内像素间的互相关系数;同时,基于背景的帧间连续性和前景的不连续性,计算像素帧间的互相关系数。最后,依据像素的互相关系数在该邻域内进行二次判决,以填补粗分割中前景目标内部的空洞。实验表明,在复杂背景交通视频中该分割算法具有较强的鲁棒性,并能获得更完整准确的前景目标。

具有前景目标的动态场景视频快速稳像算法

为了提高具有前景目标的动态场景视频的稳像效果,采用了一种基于块绝对差分的运动目标自动提取方法。在提取运动目标的基础上,提出通过自适应设定相关阈值的方法,来预判相关背景模块是否具有足够的信息,以减少用于运动矢量估计的模块数量。仿真实验结果表明,对于具有前景目标的动态场景视频,在减少运动目标提取时间的基础上,能够有效提高稳像算法的速度和精度,对实际视频取得了比较理想的稳像效果。

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。

一种新的无监督前景目标检测方法

针对基于无监督特征提取的目标检测方法效率不高的问题,提出一种在无标记数据集中准确检测前景目标的方法.其基本出发点是:正确的特征聚类结果可以指导目标特征提取,同时准确提取的目标特征可以提高特征聚类的精度.该方法首先对无标记样本图像进行局部特征提取,然后根据最小化特征距离进行无监督特征聚类.将同一个聚类内的图像两两匹配,将特征匹配的重现程度作为特征权重,最后根据更新后的特征权重指导下一次迭代的特征聚类.多次迭代后同时得到聚类结果和前景目标.实验结果表明,该方法有效地提高Caltech-256数据集和Google车辆图像的检测精度.此外,针对目前绝大部分无监督目标检测方法不具备增量学习能力这一缺点,提出了增量学习方法实现,实验结果表明,增量学习方法有效地提高了计算速度.

基于背景消减法的图像显著性前景目标提取研究

利用传统方法提取图像显著性前景目标时,由于底层图像数据信息较为复杂而难以实现图像超像素分割。为此,基于背景消减法设计了一种新的图像显著性前景目标提取方法。通过简单线性聚类迭代算法对图像进行超像素分割,获取图像的超像素合集,然后利用类别相同的显著性值对图像内部超像素的对应显著性值进行均衡处理。基于背景消减法中的二维高斯模型对图像进行显著性平滑处理,并通过深度条件随机场模型检测显著性前景目标。通过深度信息完成场景布局估计,在区域层次聚类的基础上通过改进GrabCut算法分割显著性前景目标,实现对显著性前景目标的提取。实验结果证明,分辨率为45.6~65.6 PPI范围内,该方法的F-measure分数高于传统方法,实现了目标提取性能的提升。

基于元学习的小样本语义分割算法

针对现有的小样本语义分割模型对未知新类分割精度不高的问题,提出一种基于元学习的小样本语义分割算法.首先,利用深度可分离卷积改进传统主干网络,并在ImageNet数据集上进行了编码器的预训练.其次,利用预训练的主干网络将支持图片和查询图片映射到深度特征空间.最后,利用支持图片的真实掩码将支持特征分离为目标前景和背景,并借助vision transformer构造了一种自适应的元学习分类器.在PASCAL-5^(i)数据集上进行了大量的试验.结果表明:所提出模型在VGG-16、ResNet-50和ResNet-101主干网络上分别实现了47.1%、58.3%和60.4%的mIoU(即平均交并比)(1 shot),同时在5 shot设定下实现了49.6%、60.2%和62.1%的mIoU;在COCO-20^(i)数据集上实现了23.6%、30.3%和30.7%的mIoU(1 shot),同时在5 shot设定下实现了30.1%、34.7%和35.2%的mIoU.

基于监控视频的前景目标提取

对含有动、静态背景的稳定图像处理时,对比了主成分追踪鲁棒主成分分析法(RPCA)、贝叶斯鲁棒主成分分析法(Bayesian RPCA)和高斯混合模型的鲁棒主成分分析法(MoG-RPCA),3种方法对静态背景下的前景提取都较为完整.而动态背景下只有Bayesian RPCA和MoG-RPCA提取出了完整的前景目标,但是Bayesian RPCA计算速度很慢,且不能够处理复杂噪声.所以MoG-RPCA模型更具有对复杂噪声的适应性,动、静态背景情况下均提取出精度较高的前景目标,且具有较快的计算速度.当图像不稳定时,采用改进的MoG-RPCA模型对非稳定拍摄的抖动视频进行前景目标提取,并在第197帧抖动图像中清晰地提取出显著前景目标,且运算速度较快.在为了快速找到目标出现的帧时,对高斯混合模型背景差分法进行改进,利用K-means聚类算法快速得到聚类中心点,然后作为高斯混合模型背景更新时的初始化均值参数,从而提高在复杂场景下前景目标的检测精度.对于多角度追踪任务,不同角度、近似同一地点的多个监控视频图像中前景目标的提取,可采用跨摄像头视角跟踪结果融合的方法,然后对目标进行匹配.

基于监控视频的前景目标提取

视频监控广泛应用于人们的日常生活中,尤其对于目标追踪以及异常事件分析的需求日益突出。基于帧差法提出了一种改进的视频监控前景目标检测算法。首先用改进的帧差法快速检测出目标前景;其次提出了一种简单有效的场景判定方法,针对复杂动态场景添加了过滤处理;最后对目标前景对象进行去噪后输出最终前景。实验结果表明,该方法可以有效提取监控视频中的前景目标。

不同应用场景下的监控视频前景目标提取方法研究

目前,各类传感器广泛覆盖在人类生存的各个角落里,持续捕捉着地球表层的空间场景结构与变化过程,真实地记录着精细的场景信息和运动目标信息,为人们提供了丰富的视频信息。人们通常对视频监控中的前景目标(运动目标)较为感兴趣,而前景目标提取是运动目标跟踪和事件监测的前提,直接影响监测的精确性。本文针对监控视频的前景目标提取问题,提出了不同应用场景下的监控视频前景目标提取方法,并通过实验验证了方法的可行性。

动态背景下监控视频的前景目标提取方法研究

该文针对从具有动态背景的监控视频中有效提取前景目标问题进行相关研究及建模,根据动态背景对运动目标检测所产生的影响,首先利用鲁棒混合高斯模型对多峰分布背景进行建模,提取动态背景下监控视频中具有前景目标的前景图像,接着使用中值滤波和数学形态学中的开运算对所得到的前景图像进行二次处理,滤掉大部分噪声,最终得到质量较高的前景目标图像。通过MATLAB仿真实验表明,该文提出的方法能够有效提取动态背景下监控视频的前景目标。

室内单目监控视频动态前景提取方法研究

针对室内单目监控视频光照不均等原因产生的阴影干扰和设备、环境因素产生的抖动问题,本文提出了一种特征定位与改进帧差法融合的动态前景目标提取方法。首先,基于像素级消减动态阴影特征并干扰使用高斯滤波进行降噪处理以减少监控视频冗余特征信息。其次,使用特征匹配算法获取连续两帧图像的差分,初步捕获动态前景目标。然后,使用自适应阈值和形态学处理方法改进帧差法精确提取前景动态目标。最后,实验验证方法的有效性和精准性,本文室内单目监控视频动态前景目标提取算法准确度达到92.2%,有效消除室内单目监控视频中的阴影和抖动干扰现象。

面向图像目标提取的改进连通域标记算法

传统连通域标记算法应用在智能视觉监控系统过程中,每次连通域标签合并都要从头开始逐一扫描整幅画面,导致不必要全局性重复处理,同时图像像素点增加和噪声干扰,严重影响了目标提取的处理速度。为此,提出了一种面向图像目标提取的改进连通域标记算法。通过对图像画面进行分块,根据各个小块中前景点所占比例来区分前景目标区域块,减少了待标记的数据量,增加了抗噪力;记录标签范围,减少了计算机搜索的时间。在不同应用场景的实验结果表明,该算法提高了抗噪性,缩短了处理时间,平均处理速度约为改进前的212.36倍。

基于归一化目标像素的人群密度估计方法

由于像素统计方法在提取高密度人群特征时,可能会导致在计算感兴趣区域(ROI)中的人数时出现较大的误差,因此提出归一化前景目标像素提取人群特征,并采用支持向量机(SVM)对ROI中的人群密度进行估计。首先利用混合高斯模型消除背景,并用Otsu算法提取人群目标,然后进行归一化前景目标像素的人群特征提取,最后利用支持向量机DAG算法实现人群密度分类,并与人工神经网络方法、基于像素的和基于纹理的方法进行了对比。实验结果表明正确检测率可达到95%。

改进ViBe算法与Meanshift结合的目标跟踪方法

为解决视频监控系统中因光照变化、相似颜色干扰及快速动目标而导致的目标易丢失问题,提出一种改进ViBe算法与Meanshift结合的目标跟踪方法。首先采用三帧差分和ViBe算法结合进行前景目标提取和检测,以消除鬼影的干扰,利用色度特征和梯度特征相结合的方法来抑制阴影;同时通过将边缘特征融入到Meanshift算法中,引入运动矢量在当前帧中预测下一帧运动目标的位置,实现场面监视环境中运动目标的持续、准确跟踪。通过在监控视频中行人、车辆及飞行器等不同场面目标做实验,验证了本文方法不仅能够持续、准确地跟踪运动目标,并且可适用于场面雾天低能见度条件下的运动目标跟踪。

一种自适应的双门限场面运动目标检测方法

为了有效解决在复杂环境下机场场面运动目标的精确检测问题,提出了一种自适应的双门限场面运动目标检测方法。首先采用混合高斯背景模型的方法来提取背景图像,然后使用两个门限值对差分图像进行前景目标分割,低门限阈值用于粗分割以检测出较明显的运动目标,在粗分割的基础上再用高门限阈值进行细分割以去除噪声目标和伪目标,最终得到场面运动目标的准确检测和分割结果。在复杂条件下的场景进行的实验,验证了该方法具有良好的噪声抑制能力和对慢目标良好的鲁棒性,同时能有效地分割出前景目标。

视频序列中运动目标检测技术

提出一种基于前景目标分类的视频序列中运动目标检测方法。该方法在RGB空间内建立了一种新颖的背景模型;为了解决背景更新“死锁”问题,提出了像素点的跳跃度函数和稳定性函数,将前景分类为静止目标、运动目标及虚假目标;最后提出了一种基于HSV颜色信息和一阶梯度信息的混合阴影剪除算法。实验结果表明,该方法能有效分割视频场景中的运动目标并鲁棒地分离目标及其阴影区域。

数据要素激活机动车与驾驶人管理新质战斗力的思考与探索

机动车和驾驶人管理是城市治理的重要一环,如何适应社会进程的发展,将先进的理念与技术运用到机动车和驾驶人管理工作中,是公安交通管理部门面临的一项重要课题,数据要素的应用为解决管理问题提供了有力支撑。本文以数据为要素激活机动车及驾驶人管理新质战斗力为理念,展望了以科技创新为主导、以新型实战为支撑、以推进新质战斗力生成的前景目标,提出了推进车驾管大数据新生态建设与应用“一+二+三+四”总体思路,即坚持以深化改革为主线,抓好“一个体系”建设;聚焦保障安全和服务发展“两个目标”;做强全感知、大监督、服务高质量发展“三个平台”;推进车管规范化、数字化、社会化、法治化“四化建设”的思考与探索。