MPEG-4视频中运动背景下的目标检测算法

针对由运动摄像机捕获的MPEG-4视频流中的运动目标检测问题,提出了一种直接利用压缩视频码流进行全局运动估计的新算法.算法从全局运动估计的基础出发,利用背景宏块运动相似性的特点快速建立背景宏块集合并采用常用的四参数全局运动估计模型估计运动参数.最后,计算运动矢量残差,通过对运动矢量残差的筛选检测运动日标.算法利用MPEG-4码流中蕴含的运动信息.不需要对压缩流完全解码,较大地提高了检测效率;进一步改善了检测效果.实验验证了提出的全局运动估计算法的检测效率和检测效果.     

真实场景下视频运动目标自动提取方法

视频运动目标跟踪逐渐成为研究热点并应用到军事民用等领域,为了能够从真实场景中快速准确地提取视频跟踪单运动目标或多运动目标,提出了一种新的运动目标自动提取方法。首先通过自适应阈值获得滤波后的相邻帧差值图像。其次,为了消除差值图像中噪声的影响,标记此二值图像的连通像素来检测出运动目标所在的区域,并与边缘检测出的空间信息结果比较得到运动目标模型。最后,将图像分成若干区域,在每个分区域内依次连接每个运动目标模型的最外围轮廓点,由此构成目标闭合轮廓。利用得到的连续边界,对运动目标进行提取。实验结果表明,该算法能够有效地自动提取速度不同的单运动目标,同时能够提取多运动目标。     

基于稳定矩阵的动态图像运动目标检测

为了对视频序列中的运动目标进行快速、准确地提取,提出了一种自适应背景模型估计方法.利用背景与前景图像在时域中不同的变化特性,构造图像的稳定矩阵函数,通过稳定矩阵元素的变化自动区分背景点和前景点,并对稳定矩阵设置上、下饱和值,使算法能在短时间内自动感知背景的突变,从而快速地建立背景图像模型并对其实时更新.同时还分析了动态图像序列的配准问题,选取局部特征模板图像,采用投影匹配原理简化计算,快速估计出全局运动矢量.实验证明,背景估计算法收敛速度快,只需10 frame图像即可建立稳定背景,对于500 pixel×200 pixel动态图像序列,整个算法时间只需35 ms,完全满足工程上25 frame/s处理能力的要求.     

基于柯西分布的视频图像序列背景建模和运动目标检测

提出了一种用于视觉监视系统的基于柯西分布的发光模型的光照不变变化检测方法.假定视频图像序列中每个背景图像像素点灰度观测值的时序变化由白噪声引起,利用建立的初始化背景高斯统计模型对每帧图像进行归一化,得到了背景像灰度比值的分布符合标准柯西分布的结论,解决了柯西分布的模型参量估计问题.在变化检测的基础上,YCbCr颜色空间的亮度、色调和饱和度被用来识别和消除由阴影和反光等引起的变化区域.结果表明,提出的背景建模方法对场景中各种光线变化、小的背景扰动等噪声具有稳健性,可以较为可靠地检测前景目标,识别和去除阴影和反光.     

基于序列图像的运动目标实时检测方法

运动目标检测是当前进行图像分析和理解以及在计算机视觉领域研究的热点,它被广泛地应用于靶场测量、目标监视、视频压缩、车辆跟踪和航空航天等领域。在参考大量文献资料的基础上,系统研究了近年来国内外已经比较成熟的一些算法,并把它们分成了7类。     

红外序列图像多运动目标检测

针对背景不动情况下提取红外图像运动目标,提出了一种基于连续四帧序列图像精确检测多运动目标的算法,并用软件仿真了该算法处理图像的效果并与其他方法进行了对比。经试验证明该方法算法简单,实时性好。对单目标、多目标、室内、室外、简单和复杂背景的红外序列都可以得到较好的检测效果。能够有效地去除背景和噪声,精确地确定运动目标位置,有利于后续的目标跟踪,算法适于实时应用。     

基于运动方向估计的管道滤波算法

管道滤波算法提出了从时域角度解决弱小目标检测问题的思路,对于红外强起伏天空背景中弱点目标的检测问题,管道内强噪音的干扰以及低信噪比的条件会导致检测概率降低的情况出现.本文提出了一种运动方向估计的管道滤波算法,分析了红外弱点目标的运动特性,依据弱点目标在相邻帧间位置具有连贯性的特征,建立了弱点目标的运动方向估计模型,在模型中利用弱点目标逐帧检测的先验位置信息,估计弱点目标的运动方向和轨迹,根据估计结果去除管道内噪音对弱点目标的干扰.仿真结果表明,该方法能够很好地抑制管道内噪音的影响,提高弱点目标的检测概率,增强弱点目标抗管道内噪音干扰的能力.     

基于运动方向估计的管道滤波算法

管道滤波算法提出了从时域角度解决弱小目标检测问题的思路,对于红外强起伏天空背景中弱点目标的检测问题,管道内强噪音的干扰以及低信噪比的条件会导致检测概率降低的情况出现.本文提出了一种运动方向估计的管道滤波算法,分析了红外弱点目标的运动特性,依据弱点目标在相邻帧间位置具有连贯性的特征,建立了弱点目标的运动方向估计模型.在模型中利用弱点目标逐帧检测的先验位置信息,估计弱点目标的运动方向和轨迹,根据估计结果去除管道内噪音对弱点目标的干扰.仿真结果表明,该方法能够很好地抑制管道内噪音的影响,提高弱点目标的检测概率,增强弱点目标抗管道内噪音干扰的能力.     

基于Harris角点全局运动估计的场景锁定算法

场景锁定技术是视频跟踪领域的一个关键技术,需要对图像的全局运动进行估计,常用的运动估计算法由于计算量大、对噪声敏感等因素很难得到实际应用。为了减少运动估计的计算量,提高全局运动估计的精度,提出了一种基于Harris角点全局运动估计的场景锁定方法。将图像分成4×4的16个块,选取每个块中响应值最大的角点,以参考图像角点周围矩形块与待匹配图像进行匹配,然后利用RANSAC算法对角点进行一致性检测,利用最小二乘法解算全局运动参数,最后计算图像之间的累积运动。实验结果表明,该算法运动估计精度高,稳定性好,能较好地实现场景锁定。     

基于运动检测的多车辆跟踪方法研究

针对交通监控场景中多目标粘连造成跟踪上的困难和前后两帧车辆关联困难,提出了区域运动相似性分割方法和相似度关联矩阵的解决方案;在运动目标检测过程中, 首先使用背景差分法提取运动区域,经过消除缺口、空洞和分离等处理,在运动区域所在范围内进行块匹配搜索和局部光流计算区域运动矢量,然后使用模糊聚类方法对运动矢量区域融合,完整的分割出粘连运动目标;在目标跟踪部分,目标跟踪建立在目标关联的基础上,提出建立连续两帧目标间距离和局部二元模式相似度关联矩阵的方法进行运动目标标定,从而实现多目标关联;使用公共视频库的图像序列进行测试,所提算法都能实现连续的跟踪和准确的运动目标分割,且处理速度快,表明了算法具有鲁棒性和适用性。     

基于序列图像的运动目标检测

针对动态环境下运动目标检测中噪声多、目标检测不完整等情况,提出了一种基于金字塔多分辨率模型的运动目标检测方法,在低分辨率下获取目标的区域,在高分辨率下获取目标的细节。对于复杂的环境,还提出了运用高低双阈值替代传统的单阈值进行图像差分运算的方案,阈值可以根据图像自动分析得到。该方法首先将当前帧和背景帧进行尺度变换,得到不同分辨率下的图像组,然后在不同尺度下得到高低阈值差分图像,最后从高层向低层进行有效融合,得到噪声少的完整目标图像。实验表明,该方法提取运动目标的精度比较高,单目标达到0.802,多目标达到0.615,尤其是在复杂的动态环境下,优势比较明显。     

非制冷热像观瞄系统动态目标的智能检测

为了适应实时性的要求,在目标检测及定位时对处理方法的简洁性提出了很高的要求。基于热像观瞄系统,根据观瞄的目的,介绍了一种具有一定大小的目标检测方法。根据差分图像像素特性,提出了自适应选取阈值的新方法,对目标像素的亮度和分布密度进行精确定位。这种方法充分考虑了像素的自身属性信息,便于硬件的实时处理。该方法可以达到较高的检测率。     

基于动平台多源数据的运动目标测量方法研究

根据运动目标性能试验需求及试验平台的特点,建立一个影像数据测量系统,实现目标的运动视频记录和外部参数测量。采用基于OpenCV的棋盘格内参数标定结合基于平台上固定标识点、线为基准的外场标定的摄像机标定方法,采用高速影像数据、中线视频数据和GPS数据相结合的方法实现目标运动的轨迹、姿态等参数的测量。通过测量精度分析及多次试验结果证明,测量精度达到水平方向优于10 cm,高程方向优于5 cm,姿态精度优于05。     

基于一维FFT频谱估计的移动物体速度估计法

提出了时间空间频率混合领域中基于一维FFT频谱估计的移动物体速度估计方法。结合移动物体的抽出,把具有两个移动物体的序列图像分离为分别包含一个移动物体的两个序列图像,当再次进行速度估计时会大大减少背景及噪声对速度估计结果的影响,可提高速度估计的精度。     

一种自动分割跟踪视频运动对象的方法

针对视频图像中单个运动对象的分割和跟踪问题,提出了一种基于时空离散度的视频对象分割跟踪算法。该算法首先采用时空离散度进行运动对象区域的粗定位;然后通过形态学算子来进行细定位,并获取运动物体的二值模型;再然后使用部分Hausdorff距离实现后续帧中运动对象模型的匹配;最后为了容纳运动对象在视场中形状的变化,在图像距离空间中引入了欧几里德范数作为约束条件来完成运动物体模型的更新。实验表明,在运动对象跟踪过程中相邻位置差未超过2个像素点,从而验证了算法的有效性。     

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.     

一种改进的基于混合高斯模型的运动目标检测方法

混合高斯模型方法被广泛应用于运动目标检测,但是现有的混合高斯模型方法在应对噪声和光照突变时效果不佳,其运动目标检测的效果会受到严重影响。为了解决上述问题,提出了一种结合边缘混合高斯模型方法以及改进的基于邻域差方法的综合方法。该方法充分利用了边缘图像对于噪声和光照突变不敏感,以及邻域差方法可以去除部分噪声的特点,对图像序列进行综合处理。实验结果证明,该方法可以提升运动目标的检测率,降低误警率,可以更有效地应对噪声和光照突变的干扰,从而具有更准确的目标检测效果。     

基于立体视觉与光流融合的运动目标检测

针对摄像机与被检测目标同时运动时的目标检测问题,提出一种立体视觉与光流融合的运动目标检测算法。结合立体视觉技术设计了光流与自运动估计模型,运用车辆的运动信息和场景的深度信息估计因摄像机运动产生的自运动光流;采用多分辨率细化的Horn算法估计场景的混合光流;对混合光流和自运动光流进行差分运算,剔除背景中静态目标的运动干扰。经过一系列形态学滤波处理获得运动目标完整区域,依据光流的连通性对运动目标标号,并确定位置信息。以典型的交通场景为对象进行分析,实验结果表明该算法能有效地检测出动态背景下的运动目标。     

复杂环境下运动目标偏振成像检测方法研究

针对低对比度、低信噪比等复杂环境下运动目标检测失检率较高的问题,提出了基于稳定性主成分寻踪的运动目标偏振成像检测方法。首先将预处理后的连续帧偏振图像组合成一个矩阵,依据帧间图像信息相关性,建立了稳定性主成分寻踪数学模型,将该矩阵分解成低秩、稀疏,噪声三部分,其中稀疏矩阵包含了帧间目标信息;再以低秩矩阵核范数与稀疏矩阵1范数的和为目标函数,利用增广拉格朗日乘子法求得目标函数值最小时的稀疏矩阵;最后采用马尔科夫随机场滤除稀疏矩阵中的噪声。实验结果表明,该方法对复杂环境有很好的适应能力,且检测准确率优于其他算法。     

复杂环境下运动目标偏振成像检测方法研究

针对低对比度、低信噪比等复杂环境下运动目标检测失检率较高的问题,提出了基于稳定性主成分寻踪的运动目标偏振成像检测方法。首先将预处理后的连续帧偏振图像组合成一个矩阵,依据帧间图像信息相关性,建立了稳定性主成分寻踪数学模型,将该矩阵分解成低秩、稀疏,噪声三部分,其中稀疏矩阵包含了帧间目标信息;再以低秩矩阵核范数与稀疏矩阵1范数的和为目标函数,利用增广拉格朗日乘子法求得目标函数值最小时的稀疏矩阵;最后采用马尔科夫随机场滤除稀疏矩阵中的噪声。实验结果表明,该方法对复杂环境有很好的适应能力,且检测准确率优于其他算法。