交通视频检测系统中背景提取的优化算法

介绍和分析了4种常用的背景提取算法,在此基础上提出了一种新的背景提取算法:用视频序列的当前帧和背景帧相减来获得运动车辆的信息。实验测试表明:该算法取得的背景效果良好,具有较强的实用性和参考价值。     

一种基于直方图的车辆检测方法

获得车辆图像的准确定位是视频交通检测的关键,在分析传统车辆检测方法不足的基础上,提出的基于直方图的检测方法,能够提高图像分割的准确性,确保对车辆目标的顺利提取,具有一定的实际应用价值。     

基于混合高斯模型的道路背景提取方法研究

针对单高斯模型对道路背景提取的不足,提出一种基于混合高斯模型的道路背景提取方法。利用多个高斯分布组成混合高斯模型来表示道路背景图像中的各个像素点,并且针对该算法利用MATLAB进行仿真实验,实验结果验证了基于混合高斯模型的道路背景提取方法的实用性和有效性。     

基于小波变换及熵的视频镜头分割检测方法

提出了基于小波变换及熵的视频镜头分割检测方法．用图像低频信号的小波系数的均值和标准差检测剪切镜头转换边界．分别计算图像小波分解后水平、垂直和对角方向细节信号的小波熵分量,以此3个小波熵分量作为特征量,计算相邻视频帧间特征量的欧氏距离．在检测窗内欧氏距离两次以上大于设定的阚值时即可判定镜头发生渐变转换．实验结果表明,剪切镜头查准率为95％,查全率为96％;渐变镜头查准率为87．5％,查全率83．8％．     

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.     

基于改进塔式梯度直方图的行人检测算法

采用改进分块方式的塔式方向梯度直方图（PHOG,Pyramid Histogram of oriented gradient）作为特征提取的方法,应用支持向量机（SVM,Support Vector Machine）算法作为分类器进行训练和检测.INRIA测试集上的测试结果表明,相对于采用传统HOG和PHOG特征表示方法,所提出的方法使分类检测正确率有了进一步提高.     

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.     

基于CUDA的快速LBP纹理背景建模算法

针对复杂条件下背景建模这一视频检测领域的难点,提出一种基于Nvidia CUDA架构图形处理器(GPU)的快速LBP纹理直方图背景建模算法,算法根据GPU的并发结构和硬件特点,采用纹理存储和分页存储方式,利用共享内存与多点访问技术,提高数据访问效率,降低了算法复杂度.实验结果表明,相比CPU实现,GPU方式能够明显改善实时性能,平均加速比在30x左右,帧处理速度达到40 f/s以上.     

基于LoG-Zernike矩算子的钢轨激光图像提取识别

采用激光摄像技术进行钢轨轮廓测量,图像中钢轨激光光条中心提取精度及效率,是决定钢轨轮廓测量是否可行的关键因素.提出采用LoG-Zernike矩算子进行钢轨激光光条中心提取,先利用LoG算子进行钢轨激光光条边缘粗定位,在粗定位图像边缘邻域内,再采用Zernike矩算子进行激光光条中心精确定位.详细论述了LoGZernike矩算子进行图像亚像素提取原理、过程,给出了LoG-Zernike矩算子详细计算步骤.试验结果表明,LoGZernike矩算子提取的钢轨轮廓曲线较细,连续性较好.     

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.     

Background Extraction Method Based on Block Histogram Analysis for Video Image

Introduction Withtherapiddevelopmentofvideosurveillance systemwhichisbasedoncomputervisionandimage processing,ithasbeenwidelyusedinsuchareasas shoppingcenters,airports,commercialbuildings,and congestedroads.Inmanycases,thepurposeofvideo surveillanceistode…     

基于视频图像的车速检测研究

基于视频图像计算车速的方法进行相关图像处理、运动目标特征点提取、摄像机标定、车速计算、误差分析等,并分析其应用条件。最后运用matlab软件编程得到一个可操作界面,具有较强的实用性。该方法能检测到车辆碰撞前后的真实车速,为交通事故鉴定提供依据。     

一种基于MRF的多层遗传递减视频对象分割算法

提出一种视频对象分割方法,将时域信息、空域信息和图像颜色特征有效地结合起来,采用MRF遗传递减式分类来提取视频对象.利用视频帧的颜色特征,在初始分割中采用时空域分水岭方法,建立一个时空域毗连图(ST-RAG);基于时空域毗连图建立马尔可夫随机场(MRF)模型,在分割过程中采用遗传递减式方法对区域进行合理分类,利用形态学进行后处理,分割出感兴趣的视频对象.实验结果表明所获取的分割方法具有灵活性,且精度高.     

���ڶ������ںϵĹ����ͨ������Ƶ����ʶ�����о�

结合轨道交通客流特点和应用需求,在详细描述人像识别中的图像预处理、人像空间的建立及特征脸识别方法的基础上,研究了全局特征提取、Upper特征提取和Tzone特征提取方法.基于全局特征的识别方法通过提取人像的整体形状特征进行识别,易受表情、姿势、遮挡等的影响.基于Upper特征和Tzone特征在处理表情和遮挡等问题时,与基于全局特征的方法相比具有一定的优势,因此,本文对全局特征、Upper特征和Tzone特征进行了加权融合,提出一种基于多特征融合的人像识别方法.经京沪高速铁路部分车站试点验证,该方法能有效提高人像识别的准确率.     

基于小波变换的实时视频监视系统

在视频监视系统中,采用有效的视频压缩方法可以提高处理的实时性.而在视频信号的编码与解码时,小波变换具有多尺度、多分辨率分析和时域局部化等优点,非常适合应用于实时视频监视系统.     

һ���µĻ��ڴ������ںϵĸ��ӽ�ͨ�������·���

复杂交通场景由于背景构造困难限制了视频监控技术的应用. 为了解决这个问题,本文提出了一种新的基于传感器融合的复杂交通视频背景构造方法. 首先通过基于EM算法的高斯混合模型提高背景建模的准确性;其次,对于运动缓慢或者静止的区域,通过设定不同的采样频率来提高背景建模数据的可靠性;对来自线圈和虚拟检测线检测到的数据进行数据融合来提高虚拟线圈检测车速的精度,通过引入局部稳态最优Kalman平滑器提高了数据融合算法的自校正能力. 最后,实验结果证明了所提方法的有效性.     

一种新的基于传感器融合的复杂交通背景更新方法

复杂交通场景由于背景构造困难限制了视频监控技术的应用. 为了解决这个问题,本文提出了一种新的基于传感器融合的复杂交通视频背景构造方法. 首先通过基于EM算法的高斯混合模型提高背景建模的准确性;其次,对于运动缓慢或者静止的区域,通过设定不同的采样频率来提高背景建模数据的可靠性;对来自线圈和虚拟检测线检测到的数据进行数据融合来提高虚拟线圈检测车速的精度,通过引入局部稳态最优Kalman平滑器提高了数据融合算法的自校正能力. 最后,实验结果证明了所提方法的有效性.