针对传统视觉背景提取(visual background extractor, ViBe)算法在进行行人检测时会产生鬼影的缺点, 本文提出了一种基于改进的 ViBe和 YOLO v3算法的行人检测方法。利用改进的 YOLO v3算法 YOLO v3-SPP(spatial pyramid pooling)对 ViBe算法的初始化策略进行改进以消除鬼影。运用 YOLO v3-SPP算法对首帧图像进行行人检测, 使用本文提出的行人消除方法将检测出的行人进行消除, 并将输出图像代替 ViBe算法的首帧, 从而达到消除鬼影的目的。经过分析和实验验证, 结果表明该算法能够有效解决鬼影问题。

针对脉冲图像传感器，提出一种高精度高稳定性的高速目标追踪算法。首先，介绍脉冲图像传感器的原理；其次，结合传感器脉冲密度特性改进传统视觉背景提取（Vibe）算法，去除传统Vibe算法中存在的鬼影和空洞问题，提高运动检测的完整性；然后，结合运动检测，对传统均值漂移（MS）追踪算法进行改进，提高目标追踪的精度和稳定性；最后，通过图像重构完成场景再现与目标追踪。在3个高速场景的实验中：与直接应用于图像序列的传统MS算法相比，所提算法对高速目标的最大追踪误差分别从11.0454降低至2.2361，从14.1421降低至5.0000，从26.1725降低至5.0990；目标追踪的位置标准差从7.9879降低至2.0393，从12.0790降低至2.7454，从14.4591降低至3.5654。综上所述，所提算法能够有效提高目标的追踪精度和追踪稳定性，能更好地适用于脉冲图像传感器。

针对视频前景提取(ViBe)算法在模型初始化时因前景像素干扰导致的“鬼影”问题，面对复杂背景环境的更新策略问题，提出利用图像像素均值作为参考对ViBe 算法模型进行初始化优化；同时，提出随背景模型复杂度变化的自适应更新策略。利用邻域像素和连续帧背景像素的相似性进行背景模型初始化；然后通过计算样本间各像素的方差判定背景模型是否稳定，建立自适应的更新策略；最后提取运动目标。通过CDnet2014 数据集验证表明：该算法有效改善了“鬼影”现象，提高了背景模型在复杂环境下的鲁棒性，各项客观评价指标也有所提升。

针对视网膜血管分割存在主血管轮廓模糊、微细血管断裂和视盘边界误分割等问题，提出一种鬼影卷积自适应视网膜血管分割算法。算法一是用鬼影卷积替代神经网络中普通卷积，鬼影卷积生成丰富的血管特征图，使目标特征提取充分进行。二是将生成的特征图进行自适应融合并输入至解码层分类，自适应融合能够多尺度捕获图像信息和高质量保存细节。三是在精确定位血管像素与解决图像纹理损失过程中，构建双路径注意力引导结构将网络底层特征图与高层特征图有效结合，提高血管分割准确率。同时引入Cross-Dice Loss函数来抑制正负样本不均问题，减少因血管像素占比少而引起的分割误差，在DRIVE与STARE数据集上进行实验，其准确率分别为96.56%和97.32%，敏感度分别为84.52%和83.12%，特异性分别为98.25%和98.96%，具有较好的分割效果。

针对多曝光图像融合中的鬼影问题, 提出了一种改进强度映射函数的多尺度曝光图像融合算法。基于参考帧图像分别确定输入帧的高低对比度; 采用高对比度区域进行结构一致性检测得出鬼影区域; 利用改进后的基于强度映射关系的能量函数进一步检测低对比度区域的鬼影信息; 利用多尺度块匹配算法进行快速融合。实验结果表明, 与已有的代表性方法相比, 该方法可以有效地去除鬼影并保留了图像的色彩和细节信息。

在含有动态干扰因素的复杂背景下提取前景目标时,现有的视觉背景前景目标提取算法容易出现鬼影、误检等问题,因此提出了一种改进的基于视觉背景的前景目标提取算法。首先,根据像素点的时间序列以及位置特征,计算像素点的匹配概率、匹配程度以及亮度信息。其次,实时更新与当前复杂背景吻合的背景模型,同时对背景模型进行初始化。最后,对CDnet 2014数据集中各类复杂背景下的视频进行测试,并与经典的高斯混合模型、视觉背景提取(ViBe)算法、改进的ViBe算法进行对比。实验结果表明,本算法在各类复杂背景下能高效去除鬼影的影响,且提取结果精度较高,极大降低了提取结果的错分率和漏检率,提高了复杂背景下算法的高效性与鲁棒性。

针对传统ViBe算法在运动目标检测中鬼影现象难以消除的问题,提出一种根据欧氏距离及Tanimoto系数计算前景-邻域背景像素灰度直方图相似度的方法来检测及消除鬼影;针对传统ViBe算法在运动目标检测中无法消除阴影的问题,提出了一种结合YCbCr颜色空间和混合高斯阴影模型的方法来检测及消除阴影。仿真实验结果表明,本文算法在保留原有ViBe算法高效性的同时,能够有效地消除鬼影及阴影问题。

ViBe算法由于便于实现、运算效率高等优点,在运动目标检测等领域获得了广泛应用,但其鬼影、阴影和运动目标不完整等不足也限制了ViBe算法的发展。针对ViBe算法在前景检测中的鬼影现象且长时间难以消除的问题,提出一种结合平均背景法改进的ViBe算法。首先采用改进的平均背景法获得真实背景,再对真实背景进行背景样本初始化;然后利用ViBe 算法实现前景检测、背景更新操作,从而消除后续帧检测时出现的鬼影;最后根据形态学相关知识来消除空洞以及干扰目标,使得目标更加完整。实验结果表明,与传统的ViBe算法相比,本文算法能够有效地消除鬼影,提高检测精度。

在传统的多曝光图像融合方法中,一旦目标发生移动则会在最终融合图像中出现“鬼影”现象。现有的去“鬼影”算法大部分都继承了参考图像中的大量信息,倘若参考图像中出现曝光不足/曝光过度现象,便会影响到最终的融合结果。基于此,提出了一种基于图像块分解的多曝光图像融合去鬼影算法。首先将参考图像划分为曝光正常及曝光不足/过度两大区域,并有针对性地对这两部分区域进行处理。为了更加精准地检测出鬼影区域,将多曝光图像块分解成信号结构、信号强度和平均强度3个概念相独立的部分,采用图像块结构一致性检测的方式来进行鬼影检测。最后,去除结构不一致的图像块并对这3个部分分开融合,重构所需图像块并将其聚合至最终融合图像。实验结果表明,与现有的去“鬼影”算法相比,所提算法取得了更好的视觉效果,且计算效率得到了较大提升。

针对视觉背景提取算法在复杂环境下检测出现鬼影现象、动态背景因素形成噪声干扰等问题,提出一种改进的视觉背景提取算法。通过创建辅助样本集,对复杂环境中像素点的重要特征信息进行收集;引入像素点鬼影因子和区域复杂度分析,自适应调节各像素点的匹配阈值和更新速率;最后通过基于滑动窗的像素点闪烁程度分析,将可能被误检为前景的噪声点向辅助样本中依概率更新。多场景下对比实验表明,该算法可将错分率降低至1.49%,且在检测时能快速消除鬼影现象,有效抑制动态背景产生的噪声干扰,同时保证前景目标能被完整识别,在复杂环境下的检测结果更加准确。