基于轻量型卷积神经网络的视频移动目标检测研究

为解决传统目标检测方法存在准确率低、耗时长的问题,本文提出了一种基于轻量型卷积神经网络的视频移动目标检测方法。首先,对视频移动目标图像进行形态学滤波预处理,以滤除背景及外界杂波的干扰;其次,设计了LYOLO网络模型,输入预处理后的视频移动目标图像,采用MobileNet-V2主干特征提取网络;再次,通过深度可分离卷积块提取图像特征,并改进设计LYOLO网络损失函数;最后,通过损失函数计算实现视频移动目标检测。实验结果表明,本文设计方法具有良好的视频移动目标检测性能,整体检测准确率高于90%,且检测耗时平均值仅为5.3 s,远短于传统方法。

基于运动目标的监控视频检索方法

随着我国视频监控网络的不断壮大,监控视频数据呈现海量增长的趋势,如何快速有效地进行监控视频检索变得越来越重要。提出一种基于运动目标的监控视频检索方法。对监控视频中的运动目标提取特征,生成相应的视频描述文件,通过匹配查询图片与描述文件中的运动目标特征最终找到相似对象出现的视频片断。实验表明,该方法实用性较好。

深度分类网络研究及其在智能视频监控系统中的应用

研究了深度分类网络在道路交通典型目标分类中的应用,使用原始灰度图、HOG特征直方图、Canny边缘图与本征特征等多种目标表征方法与深度置信网络(Deep Belief Networks,DBN)相结合构建深度分类网络实现对行人、骑车人、车辆和其他4种典型道路交通目标的分类功能。为了配合基于DBN的深度人车分类网络的训练,建立了称为NUPTERC的典型道路目标图像库,给出了建库的规则和方法,利用NUPTERC图像库构建实验对深度分类网络进行测试,并与其他典型人车分类方法进行了比较。证明深度分类网络在满足实时性的条件下,可以获得令人满意的分类正确率。最后,将基于DBN5Canny的人车分类算法应用于智能视频分析云平台,实现了对道路上的典型目标实时、精确的统计和分类功能。

基于聚散熵及运动目标检测的监控视频关键帧提取

针对公安监控视频检索中根据运动目标准确标注视频关键帧的问题,提出一种基于聚散熵及运动目标检测的监控视频关键帧提取算法。首先通过对视频内容的分析,提出监控视频聚散熵的概念。其次根据聚散熵对监控视频进行子镜头划分,再次根据运动目标检测对子镜头进行划分,从而提取视频关键帧。最后列举出算法在几种典型视频数据库中的实验结果及结果分析。实验结果表明该算法在关键帧提取的准确性和鲁棒性上都有良好表现,该算法针对公安监控视频检索需求,在缩短公安视频侦查时间及智能检索中起到支撑作用。

智能视频监控中舰船假目标图像检测算法

传统舰船假目标图像检测算法存在检测精准度低的缺陷,为此提出智能视频监控中舰船假目标图像检测算法研究。将智能视频监控中采集的图像采用灰度化处理得到灰度图像,利用直方图均衡化处理灰度图像,提升图像的质量。采用滤波处理方法将得到的图像进行去噪,完成图像的预处理,为图像检测做准备。采用小波变换方法对上述得到的图像进行特征提取,将得到的图像特征输入到图像检测模型中,与真目标图像特征进行逐一比较,输出假目标图像,实现了对舰船假目标图像的检测。实验结果表明,提出的舰船假目标图像检测算法检测精准度比传统算法高出21.8%,说明提出的舰船假目标图像检测算法具备极高的有效性。

船舶机舱监控视频的智能检索系统设计

智能监控是通过图像处理的方法对动态场景中的目标进行自动、实时的跟踪识别,并分析和判断目标行为的现代化电子计术。对舰船智能监控系统的基本理论和关键技术进行深入调查和研究,提出了舰船监控智能检索系统设计方法,以便更好的对目标进行跟踪。通过对目标数据特征进行分析,对视频的序列进行匹配和记录,优化舰船机舱视频对监控目标的检测和提取功能,为验证方法的有效性,设计仿真实验,对视频数据进行检测和提取,并记录图像目标特征。试验结果表明该方法有计算简单、运行稳定的特点,可快速得到正确的视频跟踪检索目标。

基于区域颜色聚类的运动目标阴影检测

文中提出一种基于区域颜色特征的阴影检测方法。首先,通过均衡化灰度直方图来增强图像中各个区域之间的对比度;使用K-means算法对前景区域进行聚类。对于聚类后的每个区域,统计每部分的色彩特征不变量直方图,利用一种直方图相似性度量方法来比较当前区域和对应背景区域的相似性,根据相似性结果对每个区域进行阴影属性的判断。通过与基于彩色特征不变量、基于HSV颜色空间等方法进行比较,结果表明文中算法的阴影检测率和前景检测率有一定的提升,且用时较少。实验结果表明,文中算法充分利用了阴影的区域颜色特征,在多类场景中能够有效检测出阴影,且具有较好的实时性。

运动目标检测中基于灰度特征模型的背景消除方法

针对视频监控中运动目标检测时间复杂度高的问题,提出一种基于灰度特征模型的背景消除方法。通过提取视频图像像素的灰色特征,将视频图像中每个位置上的像素点用一个灰度特征集合来表征,并以此为依据计算各像素点灰度值与灰度特征集合中的像素点灰度值之间的距离,判别对应像素点的背景与前景状态,从而实现视频图像的背景消除。实验结果表明,该方法在处理效果接近的情况下,可以显著提升运动目标的检测速度,降低处理的时间复杂度。

改进的特征匹配雷达视频运动目标跟踪算法

针对密集杂波和复杂多目标情况下,特征匹配跟踪算法定位跟踪精度较低的问题,提出一种改进的特征匹配雷达视频运动目标跟踪算法。首先,从单帧雷达图像检测结果中提取目标的面积、位置、不变矩信息,在运动目标得到判定后,利用卡尔曼滤波的预测位置以及上一帧特征信息进行目标匹配;然后,根据匹配位置和预测位置给出目标估计位置,并进行特征信息更新;最后,输出目标的特征信息、位置信息和运动参数。利用某型导航雷达上采集的实测数据验证了算法的有效性。

基于交互机制卷积双流融合神经网络的视频浓缩

视频浓缩时运动目标之间的相互遮挡和背景的复杂性使得难以准确提取运动目标,导致浓缩比降低.针对此问题,提出了一种基于交互机制的卷积双流融合网络视频浓缩方法.首先,对输入的视频帧进行感兴趣区域选取;然后,卷积双流融合网络分流提取运动目标特征和背景特征并进行特征融合,以减弱运动目标之间相互遮挡的影响;最后,通过交互机制将融合后的特征进行关联性运算,以有效提高运动目标之间及运动目标与背景之间的相关性,再根据相似矩阵进行场景聚类得到关键帧.实验结果表明:通过该网络结构进行视频浓缩,浓缩比和召回率都有所提高.

计算机视频处理技术的运动姿态自动识别研究

受到运动姿态初始视频图像质量的影响,导致传统的运动姿态自动识别方法存在明显的识别误差问题,为此利用计算机视频处理技术实现对运动姿态自动识别方法的优化设计。首先设置运动姿态的识别标准,分别定义不同运动姿态的运动特征向量。通过安装的摄像机设备,捕获运动姿态视频数据;利用计算机视频处理技术,通过运动视频图像提取、视频变换以及补偿运动残差等步骤,实现对初始视频数据的预处理;在此基础上检测运动目标,并从轮廓、运动周期等方面提取运动姿态特征,并得出融合特征向量。通过与设置的识别标准比对,得出最终的运动姿态自动识别结果,经过与传统识别方法的对比发现,设计方法的平均正确识别率提升了6.1%。

基于计算机视频监控中的运动目标检测与跟踪

基于计算机的视频监控系统应用十分广泛，对此系统的研究除了对硬件系统的搭建外对运动目标的检测提取和跟踪是主要解决的问题。目标跟踪现有的方法主要包括波门法和匹配法，图像运动分割主要利用背景减除方法，在利用对称差分方法的基础上，使用区域生长的方法对视频运动目标进行检测和提取。