基于计算机视觉的运动车辆检测

针对视频图像中车辆检测问题,提出了一种基于计算机视觉的运动车辆检测方法。首先,选取最佳方差参数并利用双边滤波对图像进行预处理;再利用Surendra背景更新算法实时更新背景图像,采用粒子群(PSO)极大熵法求得背景差分图像的阈值;然后,将得到的二值图像进行形态学处理并检测出运动车辆。实验结果表明,该算法不仅适用于简单背景、车速较慢的环境中,而且在复杂背景、噪声较大、车速较快的情况下,该方法均能够克服外界环境的不利影响,准确地检测出运动车辆,提高检测的准确率。

一种基于改进块匹配算法的运动车辆检测

针对传统块匹配算法计算量大、光照变化较敏感和实时性差的缺陷,本文对块匹配算法进行了相关研究,提出了改进算法。首先把两幅彩色图像转化为灰度图像,并通过概率松弛标记算法获得边缘图像,计算相邻两幅图像的差分图像得到运动区域,然后将差分图像与边缘检测图像相与得到运动区域的边缘信息,再进行匹配得到位移矢量场并对其进行矢量中值滤波,最后通过顺序区域增长将运动车辆分割出来。实验结果表明:本文方法相对于传统方法平均检测时间降低约58ms,而平均检测率提高了约6.7%。这种算法鲁棒性强、实时性好。

基于混合高斯模型的运动车辆检测算法研究

在军事领域,对轮式、履带式及坦克车辆等运动车辆进行高效的检测及跟踪,使军队可以大范围、全天候捕捉目标,对感知战场态势、侦察、决策指挥、评估威胁以及精确打击具有重要意义。主要研究检测运动车辆的方法,对常用几种方法的原理、优缺点进行了分析和对比,最终得到优化算法——融入了三帧差分法的基于混合高斯模型的背景差分法。从处理速度和检测前景精度等方面评估了3种算法,通过专项试验,验证并取得了一定的检测效果。实验结果表明,提出的优化算法在处理速度和检测效果两方面均有很大的提升。

基于隔帧差分和背景减去法的运动车辆检测算法

为了解决单一检测算法在复杂场景中不能完整检测出运动车辆的问题,提出一种复杂场景中运动车辆的检测算法。该算法利用当前较为新颖的稀疏去噪方法对检测的视频序列进行去噪,然后采用一种改进统计平均法初始化背景,并结合隔帧差分和背景减法对运动车辆进行检测,最后应用一种新的双权值更新策略对背景进行更新。实验表明,该算法建立的背景可靠,抗干扰性强,改善了车辆的检测效果,具有很好的实用价值。

一种基于改进块匹配算法的运动车辆检测

在传统的基于块匹配算法的运动车辆检测中,因为直接对灰度图像进行匹配而带来计算量大、光照变化较敏感和实时性差的缺陷。针对这些问题,提出了基于概率松弛标记算法的块匹配算法,先通过概率松弛标记算法求取灰度图像的边缘,然后通过块匹配算法根据匹配的相似度得到位移矢量场,并对其进行矢量中值滤波,最后通过顺序区域增长把运动车辆分割出来。实验结果表明,这种算法鲁棒性强、实时性好,与传统算法比较在效率大幅度提高的情况下准确率也得到了一定的提升。

基于帧差法的运动车辆检测算法研究

针对车辆的运动目标检测,帧差法可以迅速、精准地把监控视频中的运动车辆检测出来,也就是把运动目标从序列图像中提取出来。在发展社会经济的大背景下,我们的城市越来越城市化,但是随之而来的问题也越来越多,比如生活的秩序很混乱,这时实时的人数统计就可以发挥它的作用了。

基于概率算法自适应更新背景的运动车辆检测

交通流量检测是智能交通系统中的一个重要研究方向和热点问题,基于视频的车辆检测是交通流量采集分析的核心技术,它为交通流量参数的实时获取提供了可能。为实现在复杂交通视频场景中实时准确检测各类的运动车辆,在研究传统背景差分算法的缺点的工作基础上,提出一个自适应的贝叶斯概率背景检测算法,进而完成了较准确的运动车辆分类检测。实验结果表明该方法具有高效实时的特点,能够较准确地实现复杂交通路面的背景提取和运动车辆的检测,具有良好的鲁棒性。

基于改进Boosting算法的夜间运动车辆检测

针对夜间交通场景中运动车辆目标提取及实时检测困难的问题,引入改进的Boosting模糊分类算法,提出了一种新的基于车头灯的夜间运动车辆检测方法.通过SIFT算法和融合多特征的方法精确提取夜间运动车辆车头灯特征,利用遗传算法优化Boosting模糊分类算法,并以加权投票方式对提取的车头灯特征进行分类判别,最后结合车头灯空间、运动信息及灯光颜色信息进行同车车头灯配对分组,实现夜间运动车辆的实时检测.实验表明,该方法在夜间交通环境中具有良好的实时检测效果和较高鲁棒性.

一种应用于运动车辆检测的背景更新方法

基于分块思想的选择性背景更新方法存在块与块之间衔接不自然、抗干扰性弱等不足。为此,提出一种引入滤波和逐渐修正的背景更新方法。利用分块思想将图像分成区域小块,根据均值和方差确立前景区域、背景区域及其变化大小,对前景区域和背景区域分别进行更新。实验结果证明,应用该方法进行运动车辆检测,其检测正确率能提高9%左右,时间效率也稍有提高。

基于先验显著性的卫星视频微小运动车辆检测

卫星视频中微小运动车辆由于特征信息少,使得当前基于特征的方法很难获得良好结果,为了应对卫星图像中复杂的图像环境以及目标微小的像素占比,提出了一种基于多种图像先验信息约束显著性的运动车辆检测方法。首先利用简单线性迭代聚类算法对视频帧生成数量适宜结构紧凑的超像素,并基于人眼显著性模型计算各超像素的边界相关性;同时采用背景建模生成图像的运动热图并完成基于超像素的运动区域估计;结合这两种先验约束来最优化检测结果,从而获得较好的目标检测效果。最后,以吉林一号卫星视频中全球不同城市道路场景为实验数据,对比了当前多种运动目标检测算法,实验证明,提出的算法能在检测准确率和召回率达到85%的情况下保持低于10%以内的虚警率,并且在卫星角度偏移的图像环境也有一定的抗干扰能力。

基于视频流的多运动车辆检测算法研究

本文提出了一种优化的视频流多运动车辆检测算法,该方法克服了传统的背景差法对阈值选取的依赖性,通过混合高斯背景建模获取前景图,并结合多连通区域的轮廓提取对多运动目标车辆检测。基于MATLAB R2016a平台进行实验,多运动车辆检测效果较好,验证了该算法的可行性。

基于独立成分分析的运动车辆检测算法

根据独立成分分析原理,提出了一种基于固定点算法的运动车辆检测方法,并使用光谱冗余方法解决了独立成分分析检测结果通道不确定的问题。该方法将交通图像序列看作是由背景图像和运动车辆图像混合而成的观测信号,采用独立成分分析方法分离背景图像和前景运动车辆图像。独立成分分析方法能够分离出大量的背景信息如道路2边的树木和建筑物等,但分离出的前景图像仍包含有少量的路面信息,又一次结合光谱冗余方法去除了少量的路面信息,最终实现了运动车辆的检测。通过实验证明基于固定点算法的运动车辆检测方法有较强的抵抗图像背景灰度变化的能力,即使在外界天气、光照明显变化的情况下,依然可以准确、清晰地检测出运动的车辆,是一种具有较好鲁棒性的运动车辆检测方法。

基于视频的运动车辆检测算法研究

文章针对道路交通监控中的运动车辆检测问题,提出了一种改进的基于背景差分算法的运动车辆检测方法。该方法改进了背景模型的构建,并运用了数学形态学方法对差分二值化图像进行滤出噪点、填补空洞、边缘平滑等处理。实验结果证明了算法对基于视频的运动车辆检测的有效性和实时性。

基于帧间差分与码本模型的运动车辆检测算法

针对复杂背景下的视频车辆检测问题,采用一种在YUV空间下基于改进的帧间差分与简化码本模型相结合的运动车辆检测方法.首先,对亮度信号建立背景的码本模型,在模型训练中通过帧间差分提高训练速度.其次,在检测阶段引入分块思想,根据分块帧差提取粗略的前景像素,再用码本模型得到准确的前景车辆.视频测试实验结果表明,改进后的方法在树枝晃动、光照变化、前景融人背景的情况下能准确检测出运动车辆,具有较好的实时性和鲁俸性.

一种改进的帧间差分与背景差分融合的运动车辆检测方法

针对运动车辆检测算法当前所存在的环境适应性差、检测信息不完整的问题,在帧间差分法与边缘检测法的基础上,提出了一种改进的帧间差分运动车辆检测算法,以解决帧间差分法检测车辆轮廓不完整的问题。而后将改进帧间差分法融合混合高斯背景模型得到最后的结果,以解决采用单一的帧间差分法检测到的运动车辆内部信息不完整和采用单一混合高斯背景模型对光照敏感的问题。实验结果表明,所提出的方法提高了对车辆检测的准确性以及对外部环境变化的适应能力。

基于交错帧差和高斯模型的运动车辆检测

针对现有运动车辆检测方法中存在的不足,提出一种基于交错帧差和改进的高斯模型的运动车辆检测方法。通过检测道路边界提取感兴趣区域并使用均值法建立初始背景模型,对得到的感兴趣区域进行自适应分块,进行交错帧差实现背景的粗分割,在此基础上利用改进的高斯模型对背景进行精分割,运用双阈值背景差分对精分割结果进行后处理,得到运动车辆。实验验证该方法能够对运动车辆实现快速、准确的检测。

基于ViBE与面向对象分类的视频卫星运动车辆检测

为了提高视频卫星对运动车辆的检测质量,在经典视觉背景提取器(ViBE)算法的基础上,结合遥感的面向对象分类技术,从提升正确检测运动目标数量和抑制虚假运动目标检测数量两个方面着手,提出了一种新的运动车辆检测方法(VOMVD)。首先通过优化ViBE模型参数,尽可能多地获取真实运动目标,但这在一定程度引入了许多的虚假目标。研究继而依据影像上地面小尺度运动目标和道路的依存关系,采用面向对象的分类方法,基于光谱、纹理、空间属性,构建了均值、标准差、卷积核内平均灰度值、卷积核内平均信息熵、面积、长度、紧密度、延伸度等8个特征,用于提取道路信息,以此掩膜ViBE提取的虚假运动目标和伪运动目标。结果表明,基于本研究提出的视频卫星运动目标检测方法较之三帧差分法、ViBE检测方法等,其精度有明显提升。在本研究中,三帧差分法、ViBE和VOMVD对运动目标的检测精度P分别为70.91%,61.49%和85.71%,召回率R分别为84.78%,98.91%和97.83%,F值分别为77.23%,75.83%和91.37%,有效提升了方法对运动目标的检测效果。

基于时空融合加速的Fast RCNN运动车辆检测算法

为了解决传统运动车辆检测方法准确性不高、实时性不足的问题,提出基于时空融合加速的Fast RCNN运动车辆快速检测算法。不同于传统方法仅考虑运动车辆的单一特性,所提方法综合考虑运动车辆目标的时域运动特性和空域相关特性。首先基于时域运动特性设计自适应动态背景估计方法,实时估计背景图像,之后基于空域特征利用形态学滤波快速提取疑似目标区域,最后在vgg16模型基础上设计Fast RCNN深度学习网络,对疑似目标区域进行精准真假判别,避免了全图冗余判别。仿真证明,相对于传统方法,该算法能够有效提高检测准确性,且时效性较高,可应用于实时性要求较高的场景。

视频图像中的运动车辆检测算法研究及仿真

对于运动车辆跟踪和检测是实现准确采集和检测交通信息的难题和关键,人们非常关注通过对跟踪车辆的视频图像来分析车辆的运动规律。对比分析背景差分法和帧差法来检测运动车辆的效果,帧差法的算法要比背景差分法简单,但是效果不如背景差分法明显。

基于LabVIEW的运动车辆检测系统实现

以计算机和摄像设备为硬件基础,以LabVIEW为软件平台,利用其运动视觉模块提供的IMAQVision函数库构建出智能监控的演示系统.利用计算机对数据处理的优势,对采集的数据进行加工、处理,在原有三帧差分原理基础上,对三帧差分原理进行改进,设计出了五帧差分的算法,并基于五帧差分的算法实现了目标检测,增强了运动车辆的检测和追踪的准确性、实时性,提高了开发效率并降低了实现的难度与复杂度.