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.     

复杂背景下的视频前景检测方法研究

采用计算机视觉领域的相关算法,研究了如何有效地从监控视频中提取前景目标的问题.在应用中先将视频转换成逐帧图片并依据图片每一像素的灰度值将图形以二维矩阵形式数值化.在此基础上,采用帧差法、背景差法、混合高斯模型、Harris算法与FREAK算法等多种算法,利用Matlab和Python等工具建立不同背景下的相应模型.成功地从包含动态背景、镜头晃动等不同情境的监控视频中检测并提取出前景目标.同时依据不同前景目标的各维度特征信息,利用主成分分析、k-means聚类等机器学习方法构建了判断异常事件发生的算法模型,取得了一定效果.     

多场景下复杂监控视频的前景目标提取

主要针对第十四届中国研究生数学建模竞赛D题基于监控视频的前景目标提取问题展开研究.首先建立经典模型,通过对经典模型的不足之处提出针对性的优化而建立起来的优化模型:核密度优化模型,ViBe优化模型,深度卷积神经网络优化模型.上述优化模型对监控视频前景目标提取的平均F1分数为0.83.最终提出加权模型,对视频显著目标进行提取得到包含显著前景目标的帧标号.实验结果表明,加权模型能有效提取显著前景目标,并且能成功检测出视频中的单帧.     

视频监控系统中运动目标的阴影消除

本文通过分析阴影的像素特征,建立了一个关于目标帧与背景帧的对比帧来实现阴影监测和消除.为了研究问题方便,本文只考虑视频系统中的摄像头是固定位置的,并且检测目标区域中的较大阴影.利用光流法技术和背景差方法,运动目标能被快速准确的提取出来.同时,背景帧、前景帧及它们的对比帧也被提取出来,而对比帧具有更好的阴影特征.在对比帧上,可以使用静态图像处理技术的一些高效算法,来实时检测阴影区域.本文提出一个对比帧的建立方法,并进一步利用水平集方法来定位阴影区域和消除阴影.通过实验,在选择合适的阈值下,该方法是有效而快速的.     

基于非凸加权核范数的目标视频帧选取

主要研究的是基于监控视频的显著前景目标帧选取问题.首先利用非凸加权核范数进行低秩背景估计.然后使用Markov随机场对稀疏前景目标位置矩阵进行估计,并提取出前景目标.最后定义显著前景目标区域,根据连通域面积大小,采用阈值法判断当前帧是否为显著目标帧,并采用F值来验证该模型的准确率.结果显示,模型在Campus、Curtain、Escalator、Fountain、Hall、Lobby和Office这7个数据集上的F值均超过90%,说明该模型普遍具有较高的鲁棒性和准确性.     

基于视网膜大细胞通路计算模型和深度学习的无人机目标检测

在复杂背景下的小型无人机红外目标检测是计算机视觉领域的挑战性课题.传统目标检测算法利用深度卷积神经网络提取无人机的静态外观特征并进行模式判别,但在复杂背景下且目标外观不清晰时的性能会显著下降.本文借鉴生物视网膜机制,通过视网膜大细胞通路模型提取无人机目标的时空运动信息,同时借助深度卷积神经网络获得基于静态表观特征的目标置信度图,进而将视网膜时空运动信息与深度卷积网络的目标置信度图进行融合获得目标检测结果.在Anti-UAV2020公开数据集上的评估结果表明,所提出算法的检测精确率达到86.90%,超过了业内主流的YOLO-v3算法.     

基于BP神经网络的仓储火灾火焰识别研究

仓储环境的特殊性限制了传统火灾探测设备的探测效果.为利用现有监控设备,可将图像火灾探测方法引入仓储领域.首先将采集的图像进行预处理,得出感兴趣的目标前景.然后对前景进行特征提取.最后采用基于BP神经网络的识别方法,以提取的图像特征作为输入,对网络进行训练与仿真.实验结果表明:BP神经网络对于火灾火焰图像具有很好的识别能力;作为其输入的图像特征对于火灾火焰图像有着较好的判别效果;为减少硬件投入,采用图像火灾探测方法弥补传统火灾探测设备在仓储应用中的不足是可行的.     

张量鲁棒主成分分析的增广拉格朗日交替方向方法

张量的鲁棒主成分分析是将未知的一个低秩张量与一个稀疏张量从已知的它们的和中分离出来.因为在计算机视觉与模式识别中有着广阔的应用前景,该问题在近期成为学者们的研究热点.本文提出了一种针对张量鲁棒主成分分析的新的模型,并给出交替方向极小化的求解算法,在求解过程中给出了两种秩的调整策略.针对低秩分量本文对其全部各阶展开矩阵进行低秩矩阵分解,针对稀疏分量采用软阈值收缩的策略.无论目标低秩张量为精确低秩或近似低秩,本文所提方法均可适用.本文对算法给出了一定程度上的收敛性分析,即算法迭代过程中产生的任意收敛点均满足KKT条件.如果目标低秩张量为精确低秩,当迭代终止时可对输出结果进行基于高阶奇异值分解的修正.针对人工数据和真实视频数据的数值实验表明,与同类型算法相比,本文所提方法可以得到更好的结果.     

视频车辆分类与计数的模型与应用

由于受形态变化、光照变化、视觉碰撞和视觉模糊的影响,基于监控视频的车辆分类和计数一直都是待解决的复杂问题。为了更好地解决这个问题,本文提出新的模型来更好的提取前景。详细来讲,在初次前景提取中,建立模型判断是否存在车辆碰撞,对存在碰撞的车辆通过灰度空间双阀值和YCbCr图像空间处理后,对前景进行更准确的再提取。并在此基础上针对碰撞车辆,定义间隙特征向量将车辆分割问题转换为寻找分割点的优化问题,从而给出高效的车辆分割算法,对发生碰撞的车辆进行准确分割。之后利用神经网络对车辆分类,并设计一种基于已正确对碰撞车辆分割的算法对车辆计数。实验结果表明,本文提出的模型在视频车辆的分类和计数中取得优异的表现,并且数据处理速度能够满足及时性。比起人为计算车流量或建立三维模型等进行分析车辆碰撞情况下的车辆分类与计数,此方法兼顾了准确性与时效性,效率提高,成本减少。     

基于前景理论的多目标灰色关联决策方法

针对决策者风险态度对多目标决策的影响,提出了一种基于前景理论的多目标灰色关联决策方法.通过奖优罚劣的线性变换算子对原始数据进行规范化处理,得到不同目标下的正负理想方案.以各方案与正负理想方案的关联系数为参照点计算各方案的前景矩阵,在此基础上构建方案综合前景值最大化的优化模型,求出不同目标下的最优权向量,进而求出综合效果测度矩阵,对每个局势进行排序.最后通过实例验证了该方法的有效性和实用性.