高效运动目标检测算法研究

运动目标检测是计算机视觉与视频图像处理领域的重要研究课题之一,在视频监控、安防、智能交通、军事、科研等领域都有广泛的应用。提出了一种基于OpenCV的高效运动目标检测算法。     

排球视频中的运动目标跟踪及检测算法研究

为了提升排球视频中的对于目标的追踪能力的准确性,本文利用Mean shift算法,提出了一种高效率并且又稳定的运动目标跟踪检测算法。算法根据排球在x、y轴上的坐标位置和排球在在x、y上的速度,进行观测向量的设置,并求解观测值。实验过程中采用五台摄像机对排球运动场进行全方位的目标跟踪,最终求解得到排球在三维空间的运动轨迹。实践证明,本文算法图像处理信噪比高,时间复杂度低。     

无人驾驶危险交通场景中小目标检测算法研究

无人驾驶车辆对目标检测算法的实时性和检测精度要求很高,尤其是危险交通场景中的小目标检测尚存在完善.针对这个问题,选用YOLOv4作为基础网络,基于组合剪枝策略对YOLOv4进行修剪.为了在剪枝的过程中不降低检测精度,实验通过大尺度训练与网络添加空间金字塔池化来增强深层特征的提取.剪枝策略通过向信道比例因子添加L1正则化来加强信道级的稀疏性促进结构化的剪枝.然后在通道剪枝的基础上融合层剪枝,把比例因子的最小值对应的层裁剪掉,即YOLOv4-Pocket算法.其平均精度(mAP)提高了 6.05％,模型空间缩小了 99.15％,每帧图像的推理时间缩短了 82.45％.实验结果表明,YOLOv4-Pocket模型更适合于无人驾驶汽车的应用场景.     

无人驾驶危险交通场景中小目标检测算法研究

无人驾驶车辆对目标检测算法的实时性和检测精度要求很高,尤其是危险交通场景中的小目标检测尚存在完善.针对这个问题,选用YOLOv4作为基础网络,基于组合剪枝策略对YOLOv4进行修剪.为了在剪枝的过程中不降低检测精度,实验通过大尺度训练与网络添加空间金字塔池化来增强深层特征的提取.剪枝策略通过向信道比例因子添加L1正则化来加强信道级的稀疏性促进结构化的剪枝.然后在通道剪枝的基础上融合层剪枝,把比例因子的最小值对应的层裁剪掉,即YOLOv4-Pocket算法.其平均精度(mAP)提高了 6.05％,模型空间缩小了 99.15％,每帧图像的推理时间缩短了 82.45％.实验结果表明,YOLOv4-Pocket模型更适合于无人驾驶汽车的应用场景.     

弱小目标检测算法的设计与分析

本文提出的弱小目标检测算法,首先利用小波包对图像进行多尺度分解,保证得到更适合于弱小目标信号的时频相平面。然后为了更好的消除噪声的干扰,给出了高斯判别准则,利用该准则对小波包树上的节点,自下而上地进行高斯性检验,并将相邻四个全高斯性小波包系数进行合并,得到图像的最优划分。     

基于朗斯基函数的ViBe运动目标检测算法

针对传统的ViBe算法在进行运动目标检测时存在鬼影和易受干扰的缺点,提出了一种融合朗斯基函数和种子填充算法的改进ViBe算法。该算法通过朗斯基行列式判断两帧之间同一位置像素点的变化情况,较为准确的找到鬼影区域,将判断为鬼影区域的像素点通过种子填充算法进行填充,更新ViBe背景模型将鬼影像素点判为背景点,抑制鬼影区域对后续运动目标检测的影响,并通过中值滤波得到更为清晰的运动目标。实验结果表明,本文改进ViBe算法对鬼影现象达到较好的消除作用。     

累加合成漂移纠正的运动目标检测算法

为了解决目前目标跟踪方法难以克服的模板累积漂移问题,本文在人工免疫AIA算法的基础上,提出了一种累加合成漂移纠正的运动目标检测算法。首先利用反向累加合成算法,反向合成AIA算法,然后通过在目标跟踪表达式中增加漂移纠正项,同时引入漂移纠正系数对跟踪进行优化处理,以对漂移产生抑制作用。算法实例仿真结果表明,本文提出的改进算法在运动车辆、人体的目标检测中精度更高。     

多运动目标检测的研究

在复杂场景下视觉监控有着广泛的应用前景,例如特殊场合的入口控制,在特定场合下的特定人的识别,人群流量统计,异常检测和报警,多摄像机交互式监控等.而目标检测是视频监控中的目标跟踪,行为理解和描述,多相机的数据融合等步骤的前提,目标检测包括如下步骤,目标检测,阴影去除,目标分类,本文主要是对目标检测这一块内容的进行详细的介绍.     

室外配电装置的分类与选型及布置

室外配电装置分为中型配电装置、高型配电装置、半高型配电装置。室外配电装置的选型分为中型配电装置、高型配电装置、半高型配电装置。室外配电装置的布置包括母线及构架、电力变压器、高压断路器、避雷器、隔离开关和互感器。     

基于视频的运动目标跟踪算法研究及改进

基于视频的交通事件管理过程中需要知道运动目标的个数、运动快慢等参数,这些数据的得到需要进一步对相关检测目标进行跟踪。运动目标跟踪的主要工作是提取、识别以及跟踪,既而得到跟踪目标的位置、速度、加速度和运动轨迹等相关运动参数。运动目标跟踪算法一般情况下包括基于区域、基于特征、基于模型、基于轮廓的跟踪方法等,各种算法有自己的适用环境及优缺点。     

红外小目标检测算法研究

基于红外场景图像和红外小目标的特征,对红外小目标检测做了概述,并分析比较了多种红外小目标检测算法.     

一种分块背景减法的运动目标检测算法

为了能够准确获得视频中感兴趣的运动车辆,提出了一种基于背景减法的运动目标检测算法。首先采用kalman滤波来实现背景图像的提取,其次把当前帧图像和提取的背景图像进行分块,同时计算对应块的灰度差异,然后将得到的灰度差异图进行二值化,最后利用数学形态学滤波得到准确的运动目标。实验结果表明,该算法简单、易实现、实时性强。     

运动信号目标检测技术

运动信号目标检测是针对序列图像,分析运动信号目标特征、提取运动信号目标区域,估计有关运动参数的一种分析技术。它是图像处理与计算机视觉领域研究的重要课题,在视频监控、图像检索、图像压缩、人机交互等研究领域都有着非常重要的应用。本文针对运动信号目标检测各过程技术研究情况进行了描述,同时给出了深度学习在信号目标检测里的应用。     

智能监控中的运动检测算法研究

介绍了室内智能监控系统中运动检测算法的具体实现。利用帧间差分法提取运动目标,通过对差分能量和运动速度的分析判断出运动目标的大致动作。     

一种舰船目标检测及状态识别算法研究

本算法对舰船目标进行LOFAR频谱的分析,采用线谱幅度过门限次数连续积分的方式作为判定准则,能够准确的发现目标以及确定目标航行状态,并能够抑制海洋环境噪声、外部不明噪声或者连续性不强的噪声对检测及识别目标航行状态的影响,实现对海上或湖上目标声学监测和自动识别,检测目标有无及目标航行状态。     

基于背景差分的运动目标检测研究

基于视频的运动车辆检测及车型识别系统是智能交通系统的重要组成部分。论述了在固定摄像头拍摄的车辆图像序列中检测出运动车辆,使用了目前最常用也最有效的运动目标检测方法和背景差分算法,其中前景提取是背景差分算法的关键。实验表明:此方案可行。     

智能视频监控中的运动目标检测研究

现有的背景差分法在背景模型的维持和更新不能用于长期和复杂的场景,针对智能视频监控中的运动目标的检测,提出了帧间差分法重建背景图像,背景差分法分离背景像素点与运动目标点,自适应背景更新方法应用背景的定时自动更新,有效的分离了运动目标和背景图像。该方法不仅能够减小运动目标的检测误差,而且提高系统运行速度,实现复杂环境下的运动目标检测。     

基于OpenCV的运动目标检测与跟踪

提出了一种针对动态激光点的目标检测与跟踪方法,将Intel公司开放的OpenCV开源计算机视觉库源代码作为基础函数库,改写或者调用其中的函数,在Visual Studio 2010平台上编程实现,配以红光窄带滤光片对实时获取的视频图像进行预处理,以实现对红色激光点的目标检测与跟踪。实验结果表明,该方法具有目标跟踪快、噪声小、实时性好等特点。     

航拍中运动目标的检测与跟踪方法的研究

航拍在近几年在很多领域得到广泛应用,本文提出了一种基于粒子滤波的对航拍中运动目标检测跟踪的方法,对于航拍中目标的锁定跟踪有一定实际意义。