基于鲁棒背景运动补偿的运动目标检测算法

提出一种用仿射参数模型来近似场景中摄像机的复杂运动,采用参数化的多分辨率估计方法鲁棒地估计出仿射参数;然后在当前帧与运动补偿后的帧之间求光流场,得到目标轮廓的初始分割;最后通过聚类和搜索填充算法分割出完整的目标。试验结果表明,该运动补偿算法能有效消除摄像机运动引起的背景运动,在摄像机运动情况下得到完整的目标。

快速稳健的背景运动场估计方法

从运动背景中检测与跟踪运动目标是计算机视觉研究领域的热点 ,其中的困难之一是消除运动背景的影响。提出一种基于均匀稀疏采样减少仿射变换参数估计计算量的快速方法 ,并且利用Huber函数对误差的敏感度不同的特性 ,使得背景的仿射参数估计过程只对背景像素点敏感 ,减少了前景运动物体对参数估计造成的误差 。

一种结合背景运动估计的目标运动预测方法

在复杂背景下的目标跟踪过程中,通常会遇到目标被遮挡的情况,此时依靠单一的跟踪算法无法解决上述问题。在静止背景下,利用目标的历史运动轨迹,可以解决短时间遮挡的问题,但在运动平台上,由于相机运动和目标运动同时存在,目标的运动轨迹无法利用,因此本文创新地引入了KLT稀疏光流场算法,对两帧之间的大量特征点进行跟踪匹配,通过随机采样一致性算法鲁棒地估计出两幅图像之间的变换参数,对由相机移动引起的背景运动进行补偿,转换为静止背景下的运动目标估计。实验结果表明,该方法可以有效地解决目标遮挡问题,并成功应用到机载目标跟踪平台。

基于扩展的Kanade-Lucas的背景运动参数估计

复杂背景下运动分析首先需要进行背景运动参数估计。提出一种采用KLT算子并结合Kanade-Lucas跟踪算法来计算帧间特征点的匹配,然后利用帧间特征点间的匹配关系采用RANSAC算法来进行背景运动参数估计。实验结果证明这种方法具有计算量小,能实时实现并提供可靠的背景运动模型估计。

一种背景运动视频中运动目标的检测方法

针对成像平台运动情况下的运动目标检测问题,提出了一种从特征点稀疏运动场估计到运动分类的目标检测算法。首先通过快速特征点检测与跟踪恢复出图像稀疏运动场;然后依据特征点之间运动一致性关系实现属于同一运动模式的特征点分类,根据分类得到的各组特征点计算场景图像重建误差,剔除重建误差最小的特征点组,实现对前景目标的检测。仿真实验对该算法在复杂场景中检测运动目标的有效性进行了验证。

一种基于光流的无人机序列影像背景运动补偿方法

针对无人机序列影像,采用一种鲁棒的变分光流模型求解无人机序列影像光流场,该模型采用亮度守恒和梯度守恒结合的数据项,平滑项则采用二阶的Laplacian算子约束项,结合多分辨率影像技术,采用由粗到精的策略进行优化。利用光流场估计的影像运动信息对无人机序列影像进行背景运动补偿。实验结果表明,该光流模型获得的光流场能够准确的估计出无人机序列影像背景的运动,并取得了较好的背景运动补偿效果。

改进的航拍图像序列背景运动补偿技术

针对航拍图像序列提出用于提取图像特征点的最小亮度变化算法。利用特征点进行运动矢量估计,使用自适应十字模板搜索算法找到各个特征点的匹配点,结合随机样本一致算法估计背景运动模型的仿射变换参数,实现一种改进的背景运动补偿技术。该技术保障了航拍图像中运动目标检测的有效性。

低信噪比静止背景运动图像的动态目标检测

研究静止背景下运动图像序列的动态目标检测,主要针对当图像序列背景中有噪声干扰时,典型的差分检测法的检测效果不好,应用基于最小均方系统调整算法(LMS)的自适应滤波器方法,压制噪声,使效果得以明显改善,文中给出了实验结果。

背景运动估计与动目标检测

本文介绍了从运动背景中检测多个运动目标的技术 .首先利用光流估算法估计背景运动速度 ,再通过估计值对运动背景进行补偿校正 .对经补偿后的差分图像 ,本文统计其分布规律 ,设计最佳分割阀值进行图像分割 ,在滤去噪声之后通过识别连通域检测出多个运动目标 .

动态背景下的背景运动补偿算法研究

背景运动的存在使得在动态背景下进行运动目标检测的难度大大增加,常见的帧间差分、背景减除等方法不能得到准确的检测结果,因此在使用传统方法前消除背景运动带来的影响显得尤为重要。针对背景运动参数估计过程中涉及的特征点匹配、外点去除以及参数的鲁棒性估计做出重要研究,提出一种精确度较高的背景运动参数估计方法。通过实验对比可以看到背景补偿后检测到的运动目标准确度有明显改进。

改进SIFT匹配的动态背景下运动目标检测算法

无人机/车载运动目标检测与识别系统由于存在摄像机运动,使得场景中的背景与前景目标同时发生运动,增加了运动目标检测的难度。目前,动态背景下运动目标检测的主要方法是利用特征点的运动估计来补偿背景的运动。针对尺度不变特征变换(SIFT)特征匹配算法存在耗时长、误匹配率大,使得背景运动估计不准确,进而影响运动目标检测效果。提出了一种改进的SIFT特征匹配算法——先剔除容易丢失的边缘特征点,再利用最近邻点与次近邻点的欧式距离比确定匹配点,并用RANSAC删除运动目标上和误匹配点对,进一步实现背景运动的准确估计,从而检测得到运动目标的准确位置。试验结果表明:改进的特征点匹配算法在匹配准确度和运算速度上均优于传统SIFT特征匹配算法的性能。最终,通过背景补偿,有效消除了相机运动引入的动态误差,提高了运动目标检测的实时性和精度。

运动背景下弱小目标的提取算法

对低信噪比运动背景下序列图像中弱小目标的提取算法进行了研究,提出一种新的目标提取算法。根据运动背景的相关性和目标运动的连续性,采用背景模板匹配技术,计算各帧背景运动量,去除复杂背景,用自适应预估和阈值分割技术捕获跟踪目标。实验中,结合所研究的算法,对100帧包含低对比度弱小目标的运动图像序列进行了处理。实验结果表明,此方法能有效地实现目标的自动捕获与跟踪,跟踪效率高,跟踪稳定。

基于背景估计的运动检测算法

为了有效检测出运动目标静止后的轮廓和抑制视频抖动给运动检测带来的影响,提出了基于背景估计的运动检测算法。采用带模板遮罩的背景更新策略来避免目标前景区域被更新,同时根据纹理相似性,对目标遮挡区域的背景进行估算,使得在光照变化下遮挡区域得到同步更新。通过视频稳定算法得到全局运动参数和局部运动参数,然后利用全局运动参数稳定视频,利用局部运动参数作为运动目标检测的输入,最后利用高斯模型来检测运动目标。通过对多段抖动视频做实验,结果验证了该算法的准确性和有效性。

运动背景中结合特征位移矢量场模糊分割与OTSU法的运动检测

运动背景中的运动检测难度较大,背景运动补偿后差分以及分割光流场可实现动目标和背景的分离,差分前需进行鲁棒的背景估计,且差分后易出现空洞,而光流估计在噪声以及目标运动速度较大时并不准确,尤其在光照变化时,两种方法均易失效。本文提出一种特征点位移矢量场模糊分割与图像自适应阈值化相结合的运动检测方法,实现在无任何关于运动目标或者运动背景先验信息条件下的动目标检测。通过改进的SIFT匹配方法生成鲁棒的特征位移矢量场,采用模糊C均值聚类算法对SIFT位移矢量场进行无监督分类,实现动目标与背景特征的自适应分离。OTSU法和形态学操作实现图像的自适应分割,用以修正特征点凸包,最终分割出动目标区域。与鲁棒的背景运动补偿后差分以及光流估计的对比实验表明,在目标运动速度较大、光照变化以及噪声情况下,本文方法均能够检测出运动目标,且在光照变化下的优势明显。

慢运动背景下的实时运动目标检测算法研究

运动背景下的运动目标检测是一项难度大、计算量大的工程,它的难点是难以在实际工程中达到实时性的要求。本文针对这一问题提出了一种利用Lucas-Kanade和层次聚类相结合的方法,能够快速检测运动背景中的运动目标。实验证明该方法速度快,准确性高,在实际工程中具有一定的应用价值。

运动背景下移动目标分割定位算法研究

针对运动背景下运动目标分割定位困难的问题,提出了融合背景补偿与均值漂移的运动背景下目标分割定位算法。该算法首先在运动背景补偿的基础上,利用帧间差分法得到差分图像。其次,对差分图像中非零像素点建立多特征描述子,运用均值漂移算法对其进行聚类。最后,利用均值聚类得到的非零像素点来对运动目标进行分割定位。实验结果充分表明,该算法可以比较精确地进行运动背景下移动目标的分割定位。

基于鲁棒回归的运动背景补偿技术

为检测运动背景中的动目标，通常需要进行运动背景补偿校正。本文充分考虑运动背景下的各种因素，提出一种基于鲁棒回归的运动背景补偿技术。它首先利用光流场模型估计背景运动速度，之后利用鲁棒叠代加权最小二乘法估计图像传感器的全局运动参数，通过估计出的全局运动参数对运动背景进行补偿校正。实验结果表明本文所述方法的有效性。

基于自适应阈值分割的复杂运动背景中慢速小目标检测

针对复杂运动背景中慢速小目标检测误检率高,实时性差等问题,提出了基于自适应阈值分割的慢速小目标检测算法。首先计算连续两帧图像特征点的金字塔光流场,对光流场进行滤波,获取匹配特征点集合。然后对图像运动背景进行建模,拟合投影模型参数,通过投影模型得到运动背景补偿图像,进行图像差分处理,获得差分图像。最后迭代计算差分图像的自适应阈值,修正差分阈值,差分图像二值分割,检测出运动目标。实验结果表明算法能够准确地检测出复杂背景中的慢速小目标,虚警率为2%,目标漏检率为2.6%,目标检测准确率95.4%,每帧图像目标检测时间为38ms,能够满足运动目标检测对实时性的要求。

运动背景下对地多运动目标检测

本文提出一种运动背景下对地多运动目标检测算法。采用最邻近算法和对称约束算法滤除误匹配点对,基于RANSAC算法消除外点的影响,准确估计全局运动参数,提高了运动背景补偿的精度。关联连续运动信息图得到运动历史图,补充空洞。在运动历史图上进行形态学处理,有效地滤除噪声,精确地检测出了多运动目标。实验结果表明本文算法能够精确的进行运动背景补偿,准确的检测出多运动目标。

基于均值聚类和几何关系的运动背景估计算法研究

为了在动态场景图像序列中准确地完成全局运动估计,实现对运动背景的补偿,提出了基于均值聚类和几何关系的运动背景估计算法。首先,利用Harris算法提取两帧图像的特征点,建立特征点匹配对。其次,利用K-means聚类算法去除在匹配过程中存在的明显错误的特征点对。再次,利用三角几何关系去除位于运动目标上的特征点。最后,利用随机样本一致(RANdom SAmple Consensus,RANSAC)算法和最小二乘方法求出运动参数。分析实验结果得出:本文算法比原始算法的峰值信噪比提高了5%左右,所耗时间减少了50ms。实验结果表明:该算法能更加精确的实现运动背景估计,提高了运动背景估计的鲁棒性,同时提高了计算速度。