基于统计背景模型的运动目标检测方法

运动目标检测是计算机视觉、视频处理等应用领域的重要研究内容。其中减背景技术是一种常用方法。在减背景方法中，背景模型的提取、更新、背景扰动、外界光照条件变化、阴影检测等是必须要考虑的问题。提出了一种有效的运动目标检测方法，较好地解决了以上问题，首先利用统计的方法得到背景模型，并实时地对背景模型更新,以适应光线变化和场景本身的变化，用形态学方法和检测连通域面积进行后处理，消除噪声和背景扰动带来的影响，在HSV色度空间下检测阴影，得到准确的运动目标。实验结果表明，该方法是快速有效的。

基于场景模型与统计学习的鲁棒行人检测算法

提出一种基于场景模型和统计学习的行人检测算法.针对训练行人检测器时面临的动态场景的复杂性和行人样本多样性等问题,通过背景建模,从场景的背景图像上提取有限的负样本用于训练,大幅度提高了分类器的检测率,同时降低了虚警;提出一种快速弱分类器选择算法,根据正、负样本特征大小的分布和期望的检测率,直接求解特征大小的阈值范围,能够满足在线训练和更新检测器的要求;提出一种基于正样本错误率的训练算法,先根据正样本加权错误率选择弱分类器,快速提高检测率,在训练结束后调整最终分类器的加权系数,在保证检测率的同时尽可能降低虚警率.实验中构建了一个试验视频数据库和行人样本库,数据库包括雨、雪、阴影、季节变化、摄像机平移、旋转、缩放等情况,并设计实现了一个实时行人检测系统BMAT(Background modeling and Adaboost training),实验结果证明了算法的有效性.

一种基于多帧统计的车道背景建模方法

现有基于视频帧的车道背景建模方法建模过程较复杂,且易受光照、遮挡等因素的影响。提出一种基于多帧统计的视频车道背景建模方法,通过对多帧视频帧自主统计分析,首先建立无车的全背景图像;然后再次对多帧视频帧进行运动对象的位置统计,最终在全背景图像上获取完整的车道背景图像。该方法能有效确定视频中的背景区域,特别是能明确车道背景区域。算法思想简单,容易实现。实验结果表明该算法具有计算量小、车道检测完整、对光照的变化具有一定的自适应能力等特点。

复杂情况下的多目标跟踪统计技术

根据基于视频监控客流量统计的应用要求,得到了一种改进的背景检测和跟踪计数方法,实现了多人准确跟踪计数。传统的高斯背景建模是对一帧图像的每个像素点进行更新且分配固定的高斯分布个数,使得资源消耗量增大;这里通过先判断待更新区域,然后对更新区域采用动态调节高斯分布的方法对像素点进行更新,同时考虑到均值与方差的特点,分别设置了各自的更新速率。跟踪部分利用连通域分析创建人体结点并得到目标的形心,采用向前优先搜索像素点的原则搜索下一帧图像的所有像素点,通过搜索到的像素点来确定目标的新中心位置,再根据目标中心与计数线的关系进行计数。实验证明该算法简单可行,实现了多目标的准确跟踪,统计数据具有较高的正确率。

基于帧间差分和统计直方图的交通视频背景建模方法

针对城市道路交通视频难以直接提取交通背景,导致前景目标检测不准确的问题,提出了一种基于帧间差分和统计直方图的交通视频背景建模方法。一个好的背景建模方法有利于后续目标检测及跟踪任务的良好开展。所提方法首先利用帧间差分法提取视频中每帧的大致运动区域作为前景运动目标,再利用统计直方图获得图像的灰度值分布状态,进行背景图像的估计,从而提取出高整洁度、低噪声点的背景图像。与已有背景建模方法的对比实验结果表明,无论是在普通交通场景,还是在车辆行驶缓慢的典型交通场景中,所提方法都可以提取出与真实背景相似匹配度更高的背景图像。

基于分块统计模型的运动目标提取方法研究

为提高计算效率,在分析常用的运动目标检测方法的基础上,本文设计并实现了一种基于分块统计的目标提取算法,该方法首先运用分块统计的思想构建了有效的背景模型,结合自学习思想和图像积分方法,实现了视频监控序列中目标的快速提取,从给出的实验结果看,文中所提出的方法能实现目标的快速提取、时间复杂度低。

基于单类支持向量机的视频车辆检测研究

针对现有视频车辆检测方法存在高误检率、不完整及需要分类的样本数量大等问题,提出一种基于单类支持向量机的视频车辆检测方法。方法通过基于视频多帧统计的方法获得完整的车道背景图像,采用单类支持向量机获得车道背景模型,应用此模型检测车辆目标区域。实验结果表明,该算法具有所需样本量小,车辆检测完整,对光照的变化具有一定的自适应能力等特点。

车辆视频检测中自适应背景更新算法的研究与仿真实现

本文主要对车辆视频检测中基于高斯混合模型的自适应背景更新算法进行了研究和仿真实现,并针对图像初始化的几种方法进行了研究和仿真。混合高斯模型算法可以较好地提取多模态图像中的背景与前景,统计直方图法则能较好地提取初始背景,实现背景更新。