基于改进视觉背景提取的运动目标检测算法

针对视觉背景提取算法(ViBe)中出现的鬼影问题、不能很好适应背景高频扰动和摄像机抖动问题以及由于采用空间邻域扩散机制引起背景更新错误问题,提出一种改进的视觉背景提取算法。该算法结合视觉显著性判断背景模型中存在的鬼影目标,通过判断背景模型中每个像素点的鬼影程度,结合模糊准则自适应改变时间子采样因子,加快消除鬼影的速度;通过建立一个闪烁程度矩阵,判断背景高频扰动程度来设置自适应匹配阈值,加入小目标丢弃和空洞填充策略;统计前景像素24邻域区域的像素点个数,判断前景像素点是否为摄像机抖动或者背景更新错误引起的噪点,提高算法的稳健性。结果表明,改进后的算法可以很好地弥补经典ViBe算法的不足,准确率与识别率等指标均大大提升。     

复杂场景下基于条件随机场的视觉目标跟踪

目标模型更新中存在的模型漂移问题,是影响视频跟踪结果的一个重要因素。针对这一难题,提出了一种新的基于前景分割的目标跟踪算法。算法通过引入条件随机场(CRF)模型对跟踪区域和非跟踪区域的时空关系进行建模,实现对图像序列中像素点的标记,标记为跟踪目标或背景,并使用在线学习方法,根据场景的变化调整CRF模型的参数。跟踪过程中,通过对CRF模型的求解,得到最优的标记场和目标像素的置信图像;利用置信图像,结合目标模型的相似性度量定位整个目标;根据目标区域内的标记结果,使用一种选择性采样的方式更新目标模型,从而解决更新中的漂移问题。通过在多个典型的复杂场景中进行实验,验证了该算法的有效性。     

基于随机聚类的复杂背景建模与前景检测算法

为了构建鲁棒的背景模型和提高前景目标检测的准确性, 综合考虑同一位置的像素点在时间上的关联性和与其相邻像素的空间关联性, 基于经典的ViBe算法中的随机聚类思想提出了一种复杂背景建模和前景检测方法. 利用样本一致性原理, 采用前n帧序列图像得到初始化背景, 避免了Ghost现象的发生; 根据实际复杂背景的动态反馈获取自适应聚类阈值和自适应更新阈值进行随机聚类, 从而实现了对动态背景的适应性; 通过全局扰动阈值和局部像素级判断阈值的结合, 实现了对光照缓慢变化、快速变化以及突然变化的免疫性, 准确地分割前景目标. 对多组数据集的测试结果表明, 本文算法较大地提高了背景模型对动态背景、光照变化及相机抖动的复杂背景的适应性和鲁棒性. 算法还能很好地适用于红外图像检测运动目标的场合, 扩展了本算法的应用范围. 在没有进行任何图像预处理和形态学后处理情况下, 得到的原始前景检测精度优于其他对比算法.     

基于多尺度区域对比的显著目标识别

为了对图像中的显著目标进行更精确的识别,提出一种新的基于多尺度区域对比的视觉显著性计算模型。首先基于多尺度思想将图像分别分割为不同数目的超像素,对超像素内的像素颜色值取平均以生成抽象化图像;然后根据显著特征的稀少性及显著特征的聚集性,计算单一尺度下超像素颜色特征的显著性值;最后通过取各尺度超像素显著度的平均值来融合多尺度显著图,得到最终的视觉显著图。实验表明,以MSRA图库中的1 000张随机自然图片为例,该模型较现有较好的区域对比模型,显著目标识别的精确率提高了14.8%,F-Measure值提高了9.2%。与现有的算法相比,该模型提高了算法对显著目标大小的适应性,减少了背景对显著目标识别的干扰,具有更好的一致性,能更好地识别显著目标。     

快速无参数背景建模的红外目标检测方法研究

针对复杂背景红外图像序列目标检测的难题,给出了一种用于红外监控系统中入侵目标检测的背景建模方法。应用特征样本集为每一个像素建立统计无参数样本集模型,根据核函数估计计算每一个像素值对模型的符合概率。使用双阈值进行目标检测和模型更新,将图像分为三类:可靠背景、感兴趣区域和不可靠背景。通过不可靠背景类提供的信息进一步将感兴趣区域细分为入侵目标和错误检测。对几种红外图像序列仿真实验表明,该算法不仅可以比较精确的检测显著入侵目标,对于容易淹没在噪声中的弱小入侵目标也可以实现准确地检测。     

基于小波高频距离像的红外小目标检测

针对远距离复杂背景下红外小目标检测问题,本文提出了一种基于小波高频距离像的方法。该方法首先将处理空间变换到小波域,通过分析残留背景、目标和噪声系数在高频子带的差异,定义基于邻域均值的子带系数表达形式,构造高频子带系数的中心向量,对小波高频图像进行综合形成距离像,得到红外复杂背景的抑制结果。在此基础上,利用恒虚警率算法将单帧背景抑制图像分割成候选目标、残留背景和噪声像素点。最后,在时间域基于目标运动的相关性,利用管道滤波实现红外小目标的最终检测。仿真实验结果表明,相对于经典算法,本文方法可以实现对红外复杂背景的有效抑制,增强目标信号的强度,准确稳定的从红外复杂背景中检测出小目标。     

基于核优化密度聚类的绿色苹果分割算法（英文）

苹果的可见光谱目标的高效、精准识别是实现果园测产或机器自动采摘作业的关键,由于绿色目标果实与枝叶背景颜色较为相近,因此绿色苹果的识别成为新的挑战。再由于果园实际复杂环境因素影响,如光照、阴雨、枝叶遮挡、目标重叠等情况,现有的目标果实识别方案难以满足测产或自动采摘的实时、精准作业需求。为更好地实现果园自然环境中绿色目标果实识别问题,提出一种新的核密度估计优化的聚类分割算法(kernel density clustering, KDC)。新算法首先利用简单的迭代聚类(simple linear iterative cluster, SLIC)算法将目标图像分割成不规则块,集结小区域内近似像素点组成超像素区域,计算单元由像素点转变为超像素区域,有效降低数据复杂度,且SLIC算法简化图像数据时可有效避免目标果实轮廓模糊;基于超像素构造R-B区域均值和G-B区域均值的二维特征分量,建立针对聚类分析的青苹果颜色特征空间。然后借助密度峰值聚类中心计算绿色苹果图像每个数据点的局部密度和局部差异度,为解决分割边界模糊问题,在计算过程中利用核密度估计计算局部密度,确保局部密度在不同复杂场景中的清晰准确表达,以更精准找出被低密度区域分割的高密度区域,实现任意形状的聚类。最后以局部密度和距离构造寻找聚类中心的决策图,该研究采用双排序算法实现聚类中心的自动选择,完成目标果实的高效分割。新算法通过SLIC算法获得图像的超像素区域表示,数据点的局部密度通过核密度估计得到,大幅降低算法的计算量,实现目标图像的高效、精准分割。为更好地验证新算法性能,实验采集多光照、阴雨等环境下的遮挡、重叠等复杂目标图像,以分割效率、分割有效性、假阳性、假阴性等指标进行评价,通过对比k-means聚类算法、 meanshift聚类算法、 FCM算法和DPCA算法,该研究提出的新算法分割性能均最优。     

基于核优化密度聚类的绿色苹果分割算法

苹果的可见光谱目标的高效、精准识别是实现果园测产或机器自动采摘作业的关键,由于绿色目标果实与枝叶背景颜色较为相近,因此绿色苹果的识别成为新的挑战。再由于果园实际复杂环境因素影响,如光照、阴雨、枝叶遮挡、目标重叠等情况,现有的目标果实识别方案难以满足测产或自动采摘的实时、精准作业需求。为更好地实现果园自然环境中绿色目标果实识别问题,提出一种新的核密度估计优化的聚类分割算法（kernel density clustering, KDC）。新算法首先利用简单的迭代聚类（simple linear iterative cluster, SLIC）算法将目标图像分割成不规则块,集结小区域内近似像素点组成超像素区域,计算单元由像素点转变为超像素区域,有效降低数据复杂度,且SLIC算法简化图像数据时可有效避免目标果实轮廓模糊;基于超像素构造R-B区域均值和G-B区域均值的二维特征分量,建立针对聚类分析的青苹果颜色特征空间。然后借助密度峰值聚类中心计算绿色苹果图像每个数据点的局部密度和局部差异度,为解决分割边界模糊问题,在计算过程中利用核密度估计计算局部密度,确保局部密度在不同复杂场景中的清晰准确表达,以更精准找出被低密度区域分割的高密度区域,实现任意形状的聚类。最后以局部密度和距离构造寻找聚类中心的决策图,该研究采用双排序算法实现聚类中心的自动选择,完成目标果实的高效分割。新算法通过SLIC算法获得图像的超像素区域表示,数据点的局部密度通过核密度估计得到,大幅降低算法的计算量,实现目标图像的高效、精准分割。为更好地验证新算法性能,实验采集多光照、阴雨等环境下的遮挡、重叠等复杂目标图像,以分割效率、分割有效性、假阳性、假阴性等指标进行评价,通过对比k-means聚类算法、meanshift聚类算法、FCM算法和DPCA算法,该研究提出的新算法分割性能均最优。     

基于改进Census变换的多特征背景建模算法

针对视频图像易受噪声干扰和背景变化复杂的特点,改进传统Census变换特征值对中心像素的依赖问题,建立Census模板以保持Census变换对光线变化的稳健性。将改进后的Census变换特征值、图像像素值、更新频数、最近更新时间和动态指数等多种特征融合,建立了一种新的背景建模算法。利用帧间亮度差,自适应选择融合多种特征更新背景模型,依据动态指数衡量背景变化复杂程度,建立不同的更新规则,提升模型对光线突变和复杂场景处理的稳定性。经测试多组标准视频序列,本算法检测精度优于其他算法,有效改善了光线突变对前景目标提取的影响,提高了对光线突变和复杂场景的稳健性,减少了运动目标的孔洞和像素漂移产生的假前景。     

基于鲁棒M估计和Mean Shift聚类的动态背景下运动目标检测

针对动态背景下运动目标的检测问题,提出了一种基于鲁棒M估计和Mean Shift聚类的目标检测新方法。首先,在考虑全局光照变化的情况下,构建鲁棒M估计器估计全局运动,以实现最小化相邻2帧图像中所有像素亮度的绝对残差和,根据M估计得到像素点权值,提取出代表局部运动信息的离群点;在离群点中均匀抽取网格点,然后利用Mean Shift聚类算法实现不同运动点的分割;根据聚类的结果生成凸包,准确分割出运动目标区域。实验结果表明,该方法能检测出动态背景下的多个运动目标区域,多目标检测准确度到达95%以上,并且只需两帧图像就可以准确检测并锁定运动目标,满足实时处理的要求,具有一定的工程意义.     

动态背景下基于光流场分析的运动目标检测算法

针对现有动态背景下运动目标检测算法的不足,提出一种基于光流场分析的运动目标检测算法.首先根据前背景在光流梯度幅值和光流矢量方向上的差异确定目标的大致边界,然后通过点在多边形内部原理获得边界内部的稀疏像素点,最后以超像素为节点,利用混合高斯模型拟合的表观信息和超像素的时空邻域关系构建马尔可夫随机场模型的能量函数,并通过使目标函数能量最小化得到最终的运动目标检测结果.该算法不需要任何先验假设,能够同时处理动态背景和静态背景两种情况.多组实验结果表明,本文算法在检测的准确性和处理速度上均优于现有算法.     

超像素分割约束的自适应SAD与Census融合立体匹配算法

为提高立体匹配精度,提出一种超像素分割约束的自适应SAD与Census融合的立体匹配算法。针对SAD在匹配过程中无差别使用窗口内像素点灰度值引入的误差,首先用简单线性迭代聚类(SLIC)超像素分割方法对待匹配图进行处理,将分割结果结合窗口内邻域像素点和中心像素点的距离给SAD立体匹配过程中窗口内像素点灰度值赋予适当的权重;进行Census立体匹配过程,并对两种算法的匹配结果进行自适应融合;对初始视差图进行左右一致性检测和遮挡点填充等后处理过程。实验表明,提出算法与传统算法相比,匹配效果显著提高,可以很好地适应细节丰富的图像并且对于有垂直位移的图组也有较好的适应性,对于图像对比度及光照变化具有鲁棒性。     

基于混合高斯模型的运动目标检测方法研究

为了能够及时检测到图像场景中的运动目标,提出一种基于混合高斯模型的运动目标检测方法。借助把图像的像素值看成是前景高斯分布和背景高斯分布的组合,进行了背景估计和自适应背景更新;通过对背景差分后的图像进行多目标分割,进行了多个运动目标的检测。实验发现:随着图像序列的背景不断变化,基于混合高斯模型算法能够准确估计出变化的背景,通过将场景图像和背景图像进行差分,检测到感兴趣的运动目标。     

复杂背景下彩色数字图像分割算法研究

为了提高复杂背景下彩色数字图像分割的准确率,减少噪声对图像处理的干扰,尽可能的缩短运行时间,需要对复杂背景下彩色数字图像分割算法进行研究。当前图像分割算法在彩色数字图像分割的过程中,仅仅考虑了图像像素的亮度值,没有考虑其空间特征,存在计算的复杂性过大等缺陷,影响彩色数字图像处理效果。为此,提出了一种基于随机权重粒子群的复杂背景下彩色数字图像分割算法。该算法先采用多尺度均匀滤波方法,对复杂背景下彩色数据图像进行划分,其中包含噪声和不含噪声的像素点的亮度值、结构元素以及局部区域内的图像像素加权亮度密度特征。采用多段图分割获取彩色数字图像的优化分割,在平滑项中代入彩色数字图像梯度信息,对彩色数字图像分割结果中的弱边界进行剔除,从而实现准确的彩色数字图像分割。实验仿真证明,所提算法增加了彩色数字图像分割的对比度和信噪比,提高了复杂背景下彩色数字图像分割的准确性。     

基于随机背景建模的目标检测算法

运动目标检测是智能视频监控系统中的重要步骤和前提。提出了一种基于随机背景建模的非参数化建模算法,对场景中运动目标进行快速提取跟踪。在初始化阶段,从当前像素的邻域中随机抽取样本值作为背景模型;在模型更新阶段,引入了随机更新策略和背景传播机制,能够较好地抑制环境噪声;在后处理阶段,给出了一种基于积分图的前景滤波优化方法,进一步滤除噪声和填充前景空洞。实验结果表明,在复杂场景条件下,算法的目标检测性能明显优于其他几种同类算法,能够较好地抑制噪声干扰,具有较高的检测正确率。对于360288像素的测试视频,算法的计算速度高达120 f/s,完全可以满足实时应用。     

基于区域辐射一致性的移动阴影检测

为了同时检测本影与半影区域,提出并证明了阴影区域辐射的一致性属性。获取超像素区域轮廓内的点集合,将像素点集合(PCC)分为目标前景区域(目标PCC)和阴影区域(阴影PCC),利用所提出的基于区域生长的完整阴影检测与目标掩码增长算法,通过融合完整的阴影区域、完整的目标前景区域和ViBe掩码这三个部分,实现了前景目标掩码反向增长。在公开数据集中的实验结果表明,所提方法的阴影检测平均精度达到了82.5%,性能显著优于传统方法。目标掩码的平均增长率达到了8.84%,准确率达到了95%以上。     

支持向量机方法在热波检测图像分割中的应用

作为热波无损检测技术中的关键环节,热波图像分割对结构损伤的有效识别与准确评估具有重要影响。为克服红外热波图像背景噪声大,对比度低等因素对损伤识别的影响,提出了一种基于支持向量机的热波图像分割方法。该方法首先采用Wiener滤波对热波图像进行预处理,然后随机选取目标区域和背景区域内多个像素点的像素值组成目标向量与背景向量,对基于多项式核函数的支持向量机进行训练,最后将训练好的分类器应用于不同的热波图像,实现热波图像的分割。试验结果表明:该方法可有效克服热波图像背景噪声大的问题,较好地保留了缺陷区域分割的完整性;与基于硬阈值的图像分割方法相比,该方法能更好地抑制背景区域的噪声干扰,更有利于损伤的识别与评估。     

基于中心-对角对比度的显著性检测

针对图像显著性检测中广泛运用的中心-四周对比度方法存在的缺陷,提出了中心-对角对比度（Corner-Surround Contrast,CSC）算法,实现从背景中有效提取显著区域;中心-四周对比度方法难以保证分割的准确性,容易导致错误的显著检测结果,并且仅使用中心-四周对比度对目标物体进行显著性编码并不十分有效;CSC算法在提取中心和周边区域差异性的同时,结合它们之间位置的相对性,并设计了一个多核信息融合模型,以不同权重融合多种对比度方法以产生最优显著图,最后用图分割算法来进行二元分割,获得准确的显著图;实验结果表明CSC算法能够有效捕捉显著物体的局部差异,提高显著性物体定位及分割精度的性能,减少噪声的影响,从背景中分离出精确的显著性区域,获得更优的显著性检测结果。     

复杂背景下实时运动目标的提取

提出了一种结合帧间减法与背景自适应更新的算法,结合高速图像处理平台,以满足实时运动目标的提取。着眼于算法的高速性并提出一种足够快的方法用于弹道测量系统。用高斯分布建立每个像素的灰度模型,这个分布用来区分前景和背景像素以便用来更新背景模型。实验表明该系统可以满足靶场弹道测量任务实时性的要求,传统大量占用系统资源的算法在该系统中得到改善,大大提高了系统的实时性。     

基于背景原型对比度的显著性物体检测

针对传统显著性模型在自然图像的显著性物体检测中存在的缺陷,提出了一种利用背景原型(background prototypes)进行对比的视觉关注模型,以实现显著性物体的检测与提取;传统显著性模型主要通过计算区域中心与四周区域差异性实现显著性检测,而自然场景中显著性区域和背景区域往往都存在较大差异,导致在复杂图像中难以获得理想检测效果;基于背景原型对比度的显著性物体检测方法在图像分割生成的超像素图基础上,选择距离图像中心较远的图像区域作为背景原型区域,通过计算图像中任意区域与这些背景原型区域的颜色对比度准确检测和提取图像中的显著性物体;实验结果表明,基于背景原型对比度的显著性模型可以更好地滤除杂乱背景,产生更稳定、准确的显著图,在准确率、召回率和F-measure等关键性能和直观视觉效果上均优于目前最先进的显著性模型,计算复杂度低,利于应用推广。