1 南京信息工程大学 自动化学院, 江苏 南京 210044
2 江苏省大气环境与装备技术协同创新中心, 江苏 南京 210044
3 南京信息工程大学 无锡研究院, 江苏 无锡 214100
车辆检测是车辆识别和跟踪的重要前提。为解决传统车辆检测算法无法兼顾检测的准确性与实时性的问题, 本文提出一种基于实时交通状况和自适应像素分割的运动车辆检测算法。该算法采用多帧间隔图像建立初始背景模型, 提出基于时-空变化度的背景区域变化评价方法, 并基于时-空变化度制订了自适应的学习率更新策略。通过设置一个信任区间, 并根据当前交通状况和像素点是否处于信任区间内来判断当前的背景模型是否需要更新, 进而实现对运动车辆的准确、快速检测。改进后的像素自适应分割算法在不同场景中检测的性能指标Recall、Precision和F-measure分别达到0.929, 0.864, 0.888, 均高于传统像素自适应分割算法, 且算法的处理时间为88.37 ms, 比传统像素自适应分割算法的运算速度快近10 ms, 基本满足车辆检测所需的速度快、精度高、鲁棒性高等要求。
智能交通系统 车辆检测 像素自适应分割 时-空变化度 信任区间 背景模型 intelligent transportation system vehicle detection pixel-based adaptive segmentation time-space variation degree trust interval background model
1 中国民用航空总局第二研究所 科研开发中心，成都 610041
2 电子科技大学 电子工程学院，成都 611731
为有效解决复杂监视场景中快速、准确检测运动目标，提出一种多帧背景差与柯西(Cauchy)模型融合的目标检测方法。该方法首先借鉴Surendra 背景模型的思路进行改进，采用多帧背景差法获取干净的背景图像，然后利用实时的视频图像和当前的背景图像进行绝对差分处理，最后通过Cauchy 模型对整幅绝对差分图像上的点进行背景点和前景点判别，实现对复杂监视场景中目标的准确检测。针对车辆、行人等不同对象的监控场景下进行实验，验证了本文方法不仅能够有效地抑制噪声及伪目标的干扰，而且能够快速、准确地分割出前景目标。
多帧背景差 Cauchy 模型 目标检测 Surendra 背景模型 绝对差分图像 multi-frame background subtraction Cauchy model target detection Surendra background model absolute differential image
1 军械工程学院电子与光学工程系，河北 石家庄 050003
2 河南质量工程职业学院，河南平顶山 467000
超大视场红外凝视成像系统具有视场大、被动探测、凝视探测等独特优势，但当系统用于弱小目标检测时，由于背景复杂、噪声干扰、目标信息少等问题，检测的准确性和效率往往不高。本文通过采用超大视场中空时域融合处理的思想，提出了一种基于最大化背景模型进行背景抑制的改进方法。该方法首先通过图像预处理、多帧差分选取研究区域；然后通过改进的背景预测模型检测疑似目标点；最后，利用邻域相关准则判定真实目标。通过实验证明：该方法将原方法中的目标信噪比提高了5 倍以上，灰度值提高了10 倍以上，而且保留了更多的目标信息。同时目标检测时间减少了50%以上，提高了检测准确性和检测效率。
红外弱小目标 快速检测 超大视场 最大化背景模型 infrared weak and small target rapid detection super wide-field maximum background model
针对传统单高斯背景模型(SGM)检测中背景模型不能很好地自适应背景变化等问题，提出了一种改进的单高斯背景模型检测的方法。该方法取前N 帧做均值建立初始背景模型，然后利用三帧差法计算得出背景作为本文需要处理的背景区域。同时，对帧差法获得的背景区域分区，划分出大面积静止区域、历史变化区域及该变化区域的历史轨迹区域。赋予大面积静止区和历史变化区固定更新率，同时历史变化区域的历史轨迹区域按照时间分布，给予线性衰减的更新率，在此基础上进行背景模型参数的更新，最终通过背景差分法得出运动的目标。实验表明，改进的算法背景模型的自适应性有了很大地提高，基于单高斯背景模型运动目标的检测也变得更加准确。
探测器 视频监控 单高斯背景模型 帧差法 历史运动图像 背景差法 运动目标 激光与光电子学进展
2016, 53(4): 040401
1 西南科技大学 信息工程学院，四川 绵阳 621010
2 特殊环境机器人技术四川省重点实验室，四川 绵阳 621010
为了提高目标检测的实时性、准确性，本文提出一种改进的基于时空背景差分的目标检测方法。该方法利用视频序列建立基于像素值与纹理特征的时空背景模型；利用当前像素值和纹理特征值分别与背景模型进行差分，将满足阈值的像点分类为目标，反之为背景；最后利用图像与背景的差异更新阈值和背景模型。多个视频测试实验结果表明该方法在仅对灰度图像处理的情况下，内存占用少，准确率高，运算速度快，对较复杂场景具有一定的鲁棒性。
时空背景模型 背景差分 目标检测 实时性 spatiotemporal background model background subtraction target detection real-time
1 燕山大学 信息科学与工程学院， 河北 秦皇岛 066004
2 河北省特种光纤与光纤传感重点实验室， 河北 秦皇岛 066004
提出了一种基于非参数特征提取的早期森林火灾烟雾检测方法。采用双背景模型进行运动区域检测，得到可疑烟雾区域。再利用早期火灾烟雾颜色特征和运动特性对提取的可疑运动区域进行颜色判别，对增长区域以及上升区域进行检测，排除部分干扰目标。根据提出的非参数特征提取法，计算并科学地选取可疑区域的特征量，将其输入训练好的支持向量机(SVM)进行烟雾判别。对多段视频进行测试表明，该方法能适用于复杂多变的野外环境，排除干扰，有效地检测出早期林火烟雾。
信息光学 烟雾检测 运动区域检测 特征提取 双背景模型 支持向量机(SVM) information optics smoke detection motion area detection feature extraction dual background modeling SVM(Support Vector Machine)
在噪声和云层背景的干扰下,为了有效地从红外图像序列中检测到低信噪比的运动小目标,采用形态学Tophat滤波滤除低频背景部分以增强目标;并通过混合高斯背景模型进行背景估计和自适应背景更新,将前景部分和背景部分差分.实验表明,Tophat滤波和混合高斯模型算法相结合能够准确实现天空背景下红外目标的检测.
红外目标 目标检测 天空背景 混合高斯背景模型 infrared target target detection sky background Tophat Tophat Gaussian mixture background model
针对传统单高斯背景模型(SGM)存在的背景模型不能很好地自适应背景变化、目标检测不完整的问题，提出了一种改进的单高斯背景模型运动目标检测算法，该方法结合单高斯背景模型和mean shift原理对运动目标进行检测。取前N帧视频样本的均值作为初始背景模型，对当前帧图像进行运动目标的初检测，根据单高斯背景模型更新原理用当前帧图像对检测为背景的点进行背景模型更新，对更新后的背景模型中不属于背景点的像素点进行mean shift修正，将进行mean shift修正后得到的背景模型作为最终的背景模型，再通过背景差分法最终检测出运动目标。实验表明，改进的算法能很好地克服背景模型不能自适应背景变化的缺点，目标检测完整度比传统的单高斯模型高。
机器视觉 样本均值 背景模型 背景差分法 运动目标 中国激光
2014, 41(11): 1109002
上海交通大学计算机科学与工程系,上海,200030
提出在长期视频监控系统中采用背景差进行运动目标提取时算法所要满足的基本要求,并提出了一种能够满足这些要求的背景差方法.该方法用色度、亮度空间的多个分布模型来建立背景模型,描述彩色视频图像的背景像素点及其统计特性,在对背景模型更新时将均值、方差的更新速率和多个模型的更替速率分开.对像素值属于多个分布模型的情况,用最小相似距离确定要更新的模型.该方法利用提取的前景像素点信息反馈以检测光强的突变,利用亮度信息消除运动目标的阴影.实验证明该方法很好的满足了长期视频监控系统的要求.
背景差 背景模型 视频监控 目标跟踪. background subtraction background model video surveillance object tracking.
