基于五帧帧差和混合高斯模型的运动目标检测

鉴于传统的帧差法检测准确率不高,而且在光照变化、噪声干扰时鲁棒性不高,容易造成检测错误等问题,提出了一种改进的视频序列运动目标检测算法.该算法是将混合高斯模型与改进的五帧差分算法相结合:首先改进五帧差分是将当前帧与前2帧、后2帧进行差分二值运算,然后将4个差分的结果轮廓填充,最后进行先"与"再"或"运算;通过将混合高斯建模后得到的运动目标与改进的五帧差分算法得到的运动目标,进行逻辑"与"操作,最后再通过形态学处理检测出运动目标.从实验结果证明,改进的算法既能适应光照的变化,又能有效克服空洞的现象,与同类的算法相比具有更高的鲁棒性和准确率.     

基于Kalman和Surf的Camshift目标跟踪研究

传统的Camshift运动目标跟踪算法在目标遮挡或背景颜色干扰下,容易陷入局部最大值,造成目标跟踪丢失。针对这一问题,提出了一种结合Kalman滤波及Surf特征提取的改进算法。该算法需在视频序列中手动框选跟踪目标作为目标模板。将传统Camshift算法得到的目标候选区域与目标模板进行直方图对比,得到的巴氏系数若大于设定的阈值则说明目标跟踪丢失。采用Surf算法,在该帧图像中匹配出新的目标候选区域,最终得到候选区域的位置信息更新Kalman滤波。仿真实验表明,改进后的算法在复杂背景下仍然具有良好的跟踪效果。     

一种改进的视频运动目标检测算法

为了克服帧间差分法和HS光流法在运动目标检测中的缺点,提高视频运动目标检测准确性,提出了一种将改进的三帧差分法和基于灰度梯度优化计算的光流法相结合的运动目标检测算法。首先利用改进的三帧差分算法对图像进行预处理,使用最大类间方差法对图像进行二值化,获得全局二值化阈值,得到准确度较高的运动目标区域;然后利用优化灰度计算的光流法处理,排除光线等因素的干扰,从而更加准确地提取运动目标区域。实验结果表明,该方法能够有效提高运动目标检测的准确性。     

基于帧间差分与时空上下文的自动检测跟踪算法

为了改善时空上下文（STC）跟踪算法不能自动检测跟踪目标的缺点,提出一种帧间差分与STC相结合的自动检测跟踪算法。该算法将帧间差分法检测到的含有前景目标轮廓及位置的矩形框传送给STC跟踪器,可达到自动检测与跟踪目标的目的,并且提高了跟踪精确度,降低了手动选定目标框的繁琐程度。通过实验对改进前后的STC算法进行分析比较,结果表明,改进后的算法具有更高的跟踪精度,可实现对目标的稳定跟踪。     

复杂环境中机动车跟踪实时性算法

针对复杂环境中机动车跟踪问题,为克服光照变化、噪声干扰、其他随机运动物体干扰,提出一种机动车识别和跟踪实时性算法。首先对图像进行光照补偿减少光照影响,用Surendra算法和三帧差法检测运动目标,并建立ROI(感兴趣区域)以缩小Haar识别范围提高系统响应速度;其次由训练好的级联分类器在ROI范围内识别机动车,从而保证高检测率和低误检率;最后利用Camshift算法跟踪机动车。为验证算法有效性搭建嵌入式系统平台,实验结果表明在背景复杂且其他运动物体干扰下,该算法较使用传统目标跟踪算法具有更好的鲁棒性和实时性。     

改进型Mean-Shift算法在行人目标跟踪中的应用

针对传统Mean-Sshift算法对于运动目标特征变化较快、某些干扰和遮挡等问题而引起目标定位偏差的情况,提出了一种基于改进型的颜色直方图的Mean-Shift算法,该算法是将颜色直方图和三重帧间差分的方法相结合的一种目标跟踪算法。实验结果表明,应用改进后的算法思想,可以较准确的对视频流中的行人目标进行实时跟踪,新算法能较好的解决运动目标特征变化较快而引起跟踪不准确的问题,实现对行人目标进行准确定位跟踪。     

基于视频的运动目标检测跟踪模型的应用研究

本文采用了一种运动目标存在情况下的背景重建算法,能较好地抑制外界环境变化带来的影响。该运动目标检测算法通过一定数量帧的学习、统计,找到各坐标点像素灰度等级的分割阈值。在对当前帧图像进行背景差分后,分割出运动目标区域。若存在运动目标,则根据串行边界跟踪算法获得运动目标轮廓。获得边界后,模型将绘制方框显示运动物体,并发出警报。该运动目标检测模型用VisualC＋＋给予实现。     

典型视频目标跟踪方法实现与分析

分析目前运动目标检测跟踪中的经典方法,包括帧间差分法、背景差分法和Mean Shift法,探讨其适用范围及优缺点,然后对3种算法进行验证,给出实验结果,并分析其优缺点。     

一种基于改进帧差法的运动目标检测

针对视频中的运动目标离摄像头较近时由于形状的变化而导致目标边界测定不准确的问题,在帧间差分法的基础上,提出了一个求精运动目标边界的算法。先用得到边界值计算目标中心点,再对视频中的运动目标进行运动距离和速度的检测,并在Matlab中进行仿真。实验结果表明,该算法对帧差法的结果进行求精后,得到的运动目标的状态值更接近于实际情况,改进的算法更适合于视频中运动目标形状变化较大的情况下进行运动目标状态的检测。     

一种基于对称差分的运动检测算法

用于数字视频监控系统中运动物体检测的算法是一种基于三帧差分法的对称差分运动目标检测算法。实验表明,这种算法对于光照、背景内容的变化不敏感。该算法能够有效地检测出图像中的运动物体。     

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。     

基于改进Camshift算法的多目标自适应跟踪

针对多目标跟踪中常因目标间遮挡、融合、分离等导致跟踪失败,提出了用动态背景建模技术和RGB三通道色差法获取目标群组,然后利用Kalman滤波器预测运动目标初始参量,再用改进的Camshift算法逐步迭代逼近各个目标精确位置,实现了对多目标的自适应跟踪.经大量实验证明,本算法目标识别能力强,抗噪声性能好,跟踪速度快.     

基于图像差分的背景差分算法改进及实验数据分析

针对交通视频中车辆移动检测问题,结合交通视频镜头相对固定、实时性强的特点,研究了基于图像差分运动目标检测算法中的背景差分算法,在真实的环境中对运动的目标区域完成实验检测,然后对检测数据进行分析,在背景估计和背景更新算法上做了相应的改进。通过对实验数据的观察和分析,背景差分法在交通视频车辆移动目标检测中具有较好的适用性和通用性,能较好地对交通视频车辆移动目标进行检测。     

基于Kalman滤波算法的运动目标跟踪系统建模与仿真

鉴于传统的跟踪算法鲁棒性和实时性不足,构建了一种基于Kalman滤波的运动目标跟踪系统。对于运动目标的跟踪,此系统先采用背景差分法检测目标位置,再使用Kalman滤波算法估计目标位置。通过建模仿真,结果表明,该算法能较好预测运动目标的位置,实现了对运动目标的实时跟踪。     

融入帧间差分法的深度学习目标识别仿真研究

目标检测与识别是数字图像处理实验的创新性实验项目。传统的目标识别算法可以识别目标类型,但不能识别目标的位置信息,且对相同目标的识别率较低。该文设计了一种基于帧间差分法的深度学习目标识别算法,即在深度学习理论构架下,将帧间差分法融入识别过程,补充增强候选框分割图像,通过NMS算法对候选框进行筛选。仿真结果表明,该算法在识别目标种类的同时还能对目标在图像中的位置进行精确标定,并可判断目标是否处于运动状态,具有较高的识别率。     

基于帧间差分与背景消减的视频摘要算法研究

为克服帧间差分法只适合于帧像素变化较大的视频检测及背景消减法只适合于固定背景模型的视频检测的缺点,提出一种新的基于帧间差分与背景消减的视频摘要算法,这种算法首先对前后两帧的帧图像像素进行检测,若无显著运动对象,则继续进行背景模型对比检测.实验结果表明,该算法能够快速、精准地对运动显著及不显著的视频进行摘要提取,浓缩事件精华,较高地还原视频关键信息内容.     

基于AdaBoost算法与改进帧差法的动态行人检测

针对传统基于HOG特征与AdaBoost算法分类器在目标检测中存在检测速度慢、误差率大的问题,提出一种基于改进帧差法与AdaBoost算法相结合的动态行人检测方法。帧差法是运动目标检测的一种算法,能够将运动中的区域很好地显示出来。改进的帧差法不再单一使用一个阈值,而是利用多个阈值,以更好地分割出检测行人,再通过分类器进行多尺度检测来确定目标。该方法减少了传统HOG特征的检测时间,能够更快地找出感兴趣区域,并提高检测速度和误差率。     

基于边缘检测与传统差分法的目标检测方法

在帧差法和背景差分法的基础上引入了边缘检测以及形态学处理,提出了一种将基于边缘检测的帧差法与背景差分法相结合的算法,并进行了仿真实验.实验结果表明,该算法计算简单,有效地弥补了背景差分法与帧差法的不足,在场景发生局部亮暗变化的情况下能够取得较好的检测效果.     

一种针对人体运动目标的Mean-Shift跟踪算法

针对传统的Mean-Shift目标跟踪算法在跟踪人体运动目标时的不足,提出了一种基于Mean-Shift目标跟踪算法的人体目标跟踪方法。该方法首先利用人眼视觉阈值效应和区域生长法检测目标,再用Mean-Shift跟踪算法对目标进行跟踪。实验表明该方法大幅提高了人体运动目标的跟踪精度。     

基于TMS320DM642和模型化设计的图像跟踪实验系统

介绍一种以TMS320DM642为核心的图像跟踪实验系统,探讨了基于Matalb/Simulink模型化开发的实验方法,给出了一种基于帧间差分法的运动目标跟踪算法的模型化开发流程,包括算法建模、针对DSP目标平台的自动代码生成、性能分析和代码优化等。该实验系统为高素质创新人才的培养提供了有效的平台。