自适应铁路场景前景目标检测

现代铁路系统中,智能视频分析技术已被广泛应用于异物入侵监测,前景目标检测是入侵判断的必要过程. 背景差分常用于检测前景目标,但铁路场景复杂,存在动态变化的背景区域和未知类型的目标,现有基于阈值分割或深度学习的背景差分算法都不能满足需求,故提出一种基于阈值自适应调节的前景目标检测算法. 利用像素值在时间上的动态信息,分割结果的反馈信息和由超像素提供的空间信息确定阈值调节因子,动态调节阈值以适应环境变化;提出一种灵活可靠的背景模型初始化方法,消除鬼影问题,实现一帧到多帧初始化的灵活切换. 实验结果表明,所提算法在铁路场景上取得了较好的准确率和误分类率,且平衡了精度和速度.     

基于反馈背景模型的城市道路交叉口前景目标检测

为准确检测城市道路交叉口监控视频中缓慢行驶或短时停留的前景目标,提出了一种基于前景目标反馈的背景模型检测方法.首先基于观测样本的像素值构建背景模型,利用计数器观测像素点检测为前景或背景的次数并描述当前场景的交通状态和稳定性,其次根据场景自适应阈值判断当前像素点为前景点或背景点,最终通过交通状态和场景的稳定性更新背景模型.采用基于真实的交叉口视频场景对算法的有效性进行了定性与定量分析.实验结果表明,该算法在复杂的城市道路交叉口场景中检测出缓慢行驶或短时停留车辆的性能优于其他方法,同时能够满足城市道路交叉口智能视频监控实时性和准确性的要求,为交叉口前景目标的行为分析奠定了基础.     

基于自适应复杂场景的背景建模方法

因复杂场景下的背景动态变化大,大多数背景建模算法易引起误匹配而导致检测精度降低.为此,提出一种基于自适应复杂场景的背景建模方法,背景模型采集视频前5帧图像初始化模型,通过后续帧获取像素的分布特征并更新背景模型.算法提出自适应离散系数结合像素值检测像素动态变化幅度,获取复杂背景中的目标.实验通过对多组数据测试,验证了算法检测精度优于其他算法,有效改善复杂场景下动态背景对前景目标提取的影响,减少了由背景像素值大幅度变化产生的假前景,在复杂场景下检测目标有较强的适应性和鲁棒性.     

基于混合高斯背景建模的交通视频运动目标检测

目前最常用也最有效的运动目标检测方法是背景减除法,其中背景提取是背景减除法的核心.传统的运动目标检测方法无法解决场景的光线突变、背景图像发生变化以及前景运动目标物体的阴影干扰等问题.针对交通视频中背景模型的实际情况,采用混合高斯分布对视频背景进行建模,将前一帧视频图像与所建立的当前背景图像进行相减,得到车辆在当前时刻的运动图像,并将所得图像进行形态学去噪处理.通过相关的仿真实验,证明了该方法能够比较准确地检测出前景运动车辆目标.     

基于时间阈值的旅客登机模型及动态登机策略

减少登机时间有利于提高旅客体验和航空公司运行效率,故优化基于旅客行为的登机策略尤为重要. 基于旅客登机过程中两个阶段的延时,建立考虑时间阈值的新登机模型;在干扰时间阈值分布的基础上,通过优化算法分配行李,从而使登机时间最小,进一步得到基于不同行李构成的动态旅客登机策略. 通过元胞自动机仿真和现场模拟实验比较动态登机策略的效率. 结果显示：新登机模型能准确反映登机过程,Steffen 次序具有最大的干扰时间阈值和优化空间;本文提出的动态登机策略可以缩短登机时间,使登机效率显著提高.     

基于智能Agent的车辆自适应跟踪技术

为了研究复杂环境下快速移动车辆目标检测与跟踪问题,提出了基于知识库的智能Agent自适应图像分割与滤波算法,建立了帧间差异积累动态矩阵自适应背景模型,在跟踪过程中,设计了改进的SSD算法预测初始迭代点,根据Jensen不等式推导了具有自适应核窗宽迭代更新的M eanSh ift算法,实现了对视频车辆目标的自适应智能跟踪.实验结果表明,该算法能有效、准确地跟踪视频中的运动目标,自适应能力强;与其他算法比较,跟踪误差降低了54.4%,平均跟踪时间延长了41.3%.     

利用MAS实现车辆动态识别与智能跟踪

针对视频图像车辆智能跟踪问题,提出了利用帧间差异积累动态矩阵进行自适应背景建模算法,采用背景差提取运动目标区域,设计了一种基于知识的多Agent智能系统进行目标分割、轮廓提取和空域滤波,增强了抗背景干扰能力,使获得的目标区域具有更好的空域连通特性;通过自适应核窗宽改进了MeanShift算法的收敛速度,利用SSD算法实现了快速初始定位。实验结果表明,该方法自治能力强,跟踪目标快速准确,实时有效。     

基于改进核密度估计的电动出租车快速充电行为研究

电动汽车充电行为研究是充电负荷时空分布预测、充电基础设施规划和有序充电管理的 基础。本文基于上海市电动出租车的实测数据，划分充电片段并提取快速充电行为特征变量，开 展相关性分析以揭示变量之间的内在相关性，从工作日和休息日两个时间维度揭示快速充电行 为规律，提出一种基于扩散方程的自适应扩散核密度估计模型应用于快速充电行为特征变量的 概率建模并使用拟合优度检验指标验证该模型的有效性。研究结果表明：电动出租车的快速充 电行为在工作日和休息日具有明显的差异性，自适应扩散核密度估计模型可使电动汽车充电行 为特征变量的概率建模更加准确，且具有更高的拟合精度。     

基于改进聚类方式的牵引负荷分类方法

为得到更为准确的牵引负荷分类结果，基于大量的牵引负荷实测数据，提出了一种改进后的自适应模糊C均值聚类方法. 该方法能够自动获取最佳聚类数，以馈线电流带电有效系数、最大值、平均值、95%值以及1～5阶样本矩作为聚类指标对实测牵引负荷进行聚类；然后采用非参数核密度估计方法对牵引负荷概率密度函数进行拟合，得到了每一类馈线电流概率分布模型. 结果表明:聚为一类的牵引负荷特征参数相近、概率分布相似.      

基于自适应均值的地铁隧道裂缝图像滤波算法

地铁隧道表面光照不均匀、对比度低、噪声干扰严重,采集到的裂缝图片较灰暗且含有大量混合噪声,因而单一的滤波方法不能达到很好的去噪效果。针对该问题,提出一种基于快速中值的自适应均值滤波算法来实现隧道裂缝图像滤波。该算法先对图像进行反转以增强裂缝与背景的对比度,通过快速中值法计算滤波窗口的中值,自适应地选取合适的阈值来对滤波系数加以优化,并将窗口各像素点的灰度值进行加权运算,其结果作为窗口中心点灰度值,并输出。通过与传统中值、均值滤波算法比较,提出的新算法不仅降低了图像噪声,而且有效地保护了裂缝边缘,降低后续对裂缝特征量提取及分割识别的难度。     

改进的混合高斯模型视频运动目标检测算法

针对混合高斯模型背景建模在视频运动目标检测中的不足,提出了将混合高斯模型与三帧差分相结合来对视频中运动目标进行检测的算法。由混合高斯模型得到前景和背景,利用当前帧与混合高斯模型所得到的背景相减可以得到一个前景,使用三帧差分和边缘检测得到运动物体的精确轮廓,对此轮廓进行填充得到一个前景,将此三步前景进行运算得到最终的结果;通过新的更新策略来快速地对背景进行建模,以像素点的稳定性来调整像素点的更新速度,从而减少算法运算量,提高算法的运行速度。     

运动车辆检测与跟踪方法

为提高城市智能交通综合管理能力,提出了基于视频分析的运动车辆检测与跟踪方法。在城市交通干道路面环境中,根据运动目标与道路背景统计特性的差异,基于贝叶斯概率准则,提出一个自适应背景更新算法,检测分离运动车辆目标前景,采用卡尔曼滤波器实现对视频序列中车辆目标的运动检测与实时跟踪,并对在重庆某交通干道的交通流视频进行检测。试验结果表明:该方法在常规视频分辨率下能实现实时处理视频,平均检测准确率为94%,具有较好的实时性与鲁棒性,能够实现城市交通环境中各类运动车辆的检测与跟踪。     

复杂背景下钢材编号提取与字符分割技术

提出了一种复杂背景下多钢块图像编号的提取和分割方法．采用HSV颜色空间，并以饱和度为主区分前景和背景，再综合运用数学形态学运算及边界跟踪技术提取出钢块的有效区域．运用多投影直方图分割法对钢材区的编号进行行、列分割，并解决了干扰、字符粘连等问题，实现了编号的精确定位分割．实践表明泼方法的分割效果是良好的．     

基于压缩感知和字典学习的背景差分法

针对当使用背景差分法时,背景存在突变和渐变、图像数据的冗余和伪前景对目标检测的干扰等问题,提出一种基于稀疏表示和字典学习的背景差分法。该方法首先训练视频流得到其数据字典,并根据数据字典学习与稀疏表示理论建立背景模型,可以有效减少数据的冗余。然后根据目标及其邻域的密集度进行目标分割,以排除前景的干扰。最后再根据数据字典的更新算法,有效解决了背景的突变和渐变问题。实验结果表明,该方法具有可行性。     

应用小波模历史图像的运动车辆视频检测

为提高车辆目标检测的稳定性和准确性,提出了基于背景减除和小波分解模历史图像的运动车辆检测算法.首先对原始图像进行小波分解,对低频分量用混合高斯模型和纹理特征相结合的方法,自适应更新背景并标记运动目标初始区域;然后,基于高频分量计算模值,并通过逐帧历史累积得到模历史图像;最后,利用车辆目标与阴影相比富含边缘细节的特点,对目标进行倾斜校正后,将目标边缘分别沿图像x和y方向投影,利用投影曲线将边缘信息与目标初始区域信息迭代融合,得到最终检测结果.实验结果表明,用本文方法检测车辆的捕获率达到99.0%,有效率为92.5%;与使用单一自适应背景提取方法相比,在实际交通场景中可有效处理阴影导致的多目标粘连问题,检测结果更准确.     

基于单目视觉的运动行人检测与跟踪方法

为了有效检测与跟踪城市交通环境中的行人,提出了一种在摄像机静止情况下基于单目视觉的运动行人检测与跟踪方法。检测阶段通过自适应背景模型快速提取背景图像,用动态多阈值方法二值化差分图分割运动行人;跟踪阶段引入灰色模型作为行人运动模型,预测行人运动,融合行人多种特征建立目标匹配模板,对行人连续跟踪。通过单个行人通行和多个行人同时出现这两种交通环境下的视频图像对本方法进行了验证,单个行人通行时,跟踪的正确率为95%;多个行人同时通行时,识别每个行人并分别跟踪的正确率为87%。     

一种基于物影匹配算法的道路小目标跟踪方法

针对复杂道路环境下小目标抛洒物难以被检测与跟踪，且落地静止像素易被纳入背景而导致目标丢失等问题，本文提出一种基于物影匹配算法(OSMA)的道路小目标跟踪方法来解决上述问题。首先，采用混合高斯模型对背景进行建模以此获取前景图像，对前景图像采用膨胀、腐蚀等形态学处理；其次，根据道路抛洒物移动时在前景产生独立的物与影双轮廓特征，进行连续帧前景轮廓的物影匹配，并将连续的匹配结果定为疑似抛洒物；最后，采用多帧质心偏移法判断疑似抛洒物是否处于静止状态，并对运动状态中的疑似抛洒物进行位置判定与帧间轮廓匹配，从而实现抛洒物的逐帧跟踪。基于大量实验表明：本文所提出的OSMA与核化相关滤波器(KCF)、辨别尺度空间跟踪器(DSST)、背景感知相关滤波器(BACF)、深度注意力跟踪器(DAT)、视觉跟踪时空变换器(SATRK)等跟踪器相比，准确性更优越，可较好解决道路复杂场景下各类抛洒物的跟踪问题；复杂背景、快速旋转的小目标场景中跟踪表现优异，具有良好的跟踪尺度，实时性满足预期要求。     

基于组合前景提取的混合交通两轮车辆视频检测

针对混合交通流中两轮车辆视频检测问题,提出一种基于混合高斯模型（GMM）与背景累加模型（BAM）的组合前景提取方法,该方法将GMM与BAM组合得到的2 种前景图像分别经过滤波和形态学的膨胀操作处理,然后进行“与”操作,过滤掉高斯前景中的大量噪声,提取出感兴趣前景区域.针对两轮车辆的轮廓边缘特征,采用Canny 边缘检测提取边缘信息,去除前景区域中的非目标区域,采用两轮车辆的自建模板,通过欧氏距离进行模板匹配,定位并标记感兴趣区域中的目标区域.在OpenCV 和Matlab7.1 实验测试平台上,对典型城市混合交通路段的交通流视频进行测试.结果表明,该方法对混合交通流中两轮车辆的识别检测具有较高的准确率.