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.     

基于加权核密度估计的自适应运动前景检测方法

为解决监控视频背景初始化过程中前景干扰的问题,提出了一种基于加权核密度估计(KDE)的自适应运动前景检测方法.该方法对时间域变化稳定的像素值进行加权,并利用核密度估计构建背景模型,避免了背景初始化过程中前景的干扰.基于该背景模型,提出了一种新的阈值设定策略.该策略根据前景空间分布的连续性自适应获得前景阈值,填充前景中的"孔",并更新阈值.实验结果表明:即使场景中存在运动前景,该方法能够在多种场景下获得90%以上的查准率和查全率,其性能优于传统的背景差法.      

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.     

基于视频深度学习的铁路周界入侵检测算法研究

基于视频智能分析的铁路周界入侵检测算法相比于雷达、振动光纤，具有成本低、误报率低的优点. 针对视频中存在不同分辨率目标的问题，提出一种改进的Cascade Mask RCNN( CMR)模型，使用级联结构获得目标的准确定位. 为增强模型对小目标的检测能力，在原始模型的基础上，增加基于特征金字塔网络(FPN)的多尺度特征提取模块和基于空洞金字塔汇聚(ASPP)子网络的空间上下文增强模块. 在实际铁路周界入侵场景视频中验证了模型的有效性. 结果表明，该模型可实现不同场景下的铁路周界入侵检测，相较于原始模型，新模型对小目标检测的F-measure 提高了0.24. 模型既解决了不同场景下铁路周界入侵检测问题，又有效地提高了视频智能分析对小目标检测的准确率.     

基于双背景建模与差分图像的轨道异物识别

针对铁路轨道异物入侵的识别精度,提出了一种基于双背景建模和差分图像的识别方法.基于多帧平均背景和当前帧的前一帧背景建立模型,采用背景逐帧更新,使用平均背景差分和帧间差分的异物检测方法,界定基于边缘提取的铁轨危险区域,再通过黑白像素方法对轨道异物进行识别.实验表明,该方法具有较好的抑噪性和环境适应性,可有效提高异物识别精度.     

改进MOG-LRMF 的铁轨动态异物检测

针对复杂铁路环境下动态入侵异物检测精度低和抗扰能力差等问题，提出一种基于改进MOG-LRMF算法的铁路轨道异物入侵实时检测方法. 引入仿射变换，对视频序列可能出现的抖动进行预校正处理；分析MOG-LRMF模型特点，利用MOG模型对视频帧中的背景进行建模，用前一帧背景中学习到的知识对当前帧背景进行预测，优化MOG-LRMF参数求解模型；利用EM算法对改进MOG-LRMF模型进行参数求解，实现背景在线实时更新. 实验结果表明，改进的MOG-LRMF算法在光照充足、光线较弱、相机存在抖动、背景复杂及存在多个目标情形下都能提高目标检测精度，具有较好的抗干扰性、鲁棒性和快速性.     

改进ViBe算法的铁路动态异物入侵的实时监测

针对ViBe算法在检测铁路轨道动态入侵异物时鬼影消除较慢导致其监测实时性不足和预警精度不高的缺陷,利用背景重构与像素块替换方法对不同时期的鬼影进行快速抑制.首先利用视频序列多帧图像重构背景的方法抑制初始鬼影;其次通过比较物体外接矩形坐标变化和其包含像素数量对鬼影和运动物体进行区分,再利用当前鬼影像素块替换背景图像相同位置像素块来减少消除中间鬼影的帧数;最后利用前景与背景像素点比例法和形态学方法对动态异物入侵进行精确识别.实验表明,所提方法可以有效减少抑制鬼影所需要的帧数,提升动态入侵异物监测实时性,同时异物检测精度也有较大提升.     

融合边缘检测与区域生长的交通图像分割方法

在交通监控中,如何从复杂的背景中分割运动物体是至关重要的一步,针对车辆的运动阴影对图像分割产生的不利影响,提出了一种新的融合边缘检测与区域生长的彩色图像分割算法,算法同时考虑了图像的彩色信息和空间信息.该算法首先对彩色图像边缘检测,并根据检测结果设置种子像素;再基于颜色相似性生长准则,结合边缘检测结果,对每个种子点进行区域生长;最后,利用区域合并算法对剩余的像素进行合并.实验结果表明该算法很大程度上克服了阴影给图像分割带来的不利影响.     

交通事件视频图像自动识别系统的研究

如何有效利用高速公路视频图像信息,实时全天候自动智能检测交通事件,提升交通管理部门应急处置能效,是当前公路视频监控亟需解决的问题．本文基于视频图像处理技术,开展交通事件自动识别算法和系统的研究：采用中值滤波、亮度缩放等图像预处理方法,提取交通视频图像的前景目标边界并抑制噪声;基于灰度阈值化方法,对车辆前景进行二值化分割处理;提出一种二值化场景图像连通区域标定算法,对交通事件前景目标进行特征提取与检测识别,并基于上述算法和识别流程开发了交通事件视频自动识别系统．试验表明,该系统对噪声干扰抑制能力较强,识别准确率较高．     

融合背景差分的二次重构和内外标记 分水岭的行人检测方法

应用视频处理技术对行人交通进行研究受到广泛的重视,已成为智能交通领 域的研究热点.为了精准地提取交通场景语义信息,提出融合背景差分的二次重构和内外 标记分水岭的行人检测方法.首先对图像进行灰度级形态学开闭重构和背景差分运算,凸 显出前景区域,锐化背景区域;然后根据灰度图像局部极大值和邻域综合信息提取内部 标记,进行“准欧式”距离变换提取外部标记;最后对梯度图像进行修正和分水岭变换,提 取出图像中运动的行人.结果表明,该方法能显著地去除运动噪声的影响,检测到相对完 整的目标,很好地抑制了过分割问题, 在动态场景的行人检测中取得了较好的效果.     

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。     

铁路轨道异物完整性检测与跟踪算法研究

针对野外复杂环境下轨道异物检测不完整问题,提出基于小波变换的像素过滤思想改进GMM,构建背景模型;为解决异物目标实施机动(转弯、加速或突然出现)时跟踪实时性差和准确率低的问题,分析Kalman滤波线性化误差,搭建BP神经网络修正 IMM的跟踪模型,实现轨道异物跟踪预测,并推导出非线性Kalman滤波关系.实验表明,改进GMM在正常天气下平均前景误检率降低了24.94个百分点,针对复杂恶劣天气平均前景误检率降低了33.76个百分点;建立BP神经网络-IMM-Kalman滤波模型不仅可以快速准确地对场景中的机动目标进行跟踪,而且比Kalman滤波和IMM更加平稳,误差更小.     

基于人头颜色空间和轮廓信息的行人检测方法研究

为提高智能视频监控中行人统计的实时性,提出了一种基于人头颜色空间和轮廓特征的行人检测方法.该方法首先根据人脸肤色、发色在YCbCr和RGB颜色空间的聚类情况,建立人头颜色模型,分割人头候选区域,并针对行人运动的特征,采用多帧差法提取运动信息,剔除背景噪声,修正候选区域的精度;然后根据改进的Canny 算子提取候选区域的轮廓,融合形态学对边缘进行修正,提取候选区域轮廓信息;最后根据人头轮廓的几何特征,剔除“伪候选”区域,并进行连通域信息标记,检测人头图像,从而对行人进行检测和统计信息.结果表明,该方法能快速有效地检测出人头,在动态场景下的行人检测取得了较好的效果.     

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。     

���ڸĽ�����ɫ������ֱ��ͼ���µ�Mean-Shift�㷨

为了提高复杂环境下智能视频监控对运动目标跟踪的可靠性,提出一种基于改进的颜色特征和直方图更新的Mean-Shift跟踪算法.该算法利用像素点局部颜色变化作为跟踪目标像素点特征,弥补单一颜色值特征对目标表征的不足;并根据Mean-Shift跟踪结果和目标匹配程度对目标直方图进行更新,保证在目标姿态和大小发生变化时目标特征直方图的有效性.实验结果表明：与传统Mean-Shift算法相比,改进的颜色特征减小了相似背景像素对运动目标的干扰,目标直方图的更新提高了Mean-Shift算法对目标姿态和大小改变的鲁棒性.算法提高了基于颜色特征的Mean-Shift算法对复杂环境中运动目标进行实时跟踪的可靠性.     

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.