检索结果-内蒙古大学图书馆

光学学报 2008年第3期28卷 587-592页

作者：明英蒋晶珏清华大学电子工程系武汉大学计算机学院湖北武汉430079

提出了一种用于视觉监视系统的基于柯西分布的发光模型的光照不变变化检测方法。假定视频图像序列中每个背景图像像素点灰度观测值的时序变化由白噪声引起,利用建立的初始化背景高斯统计模型对每帧图像进行归一化,得到了背景像灰度比值... 详细信息

提出了一种用于视觉监视系统的基于柯西分布的发光模型的光照不变变化检测方法。假定视频图像序列中每个背景图像像素点灰度观测值的时序变化由白噪声引起,利用建立的初始化背景高斯统计模型对每帧图像进行归一化,得到了背景像灰度比值的分布符合标准柯西分布的结论,解决了柯西分布的模型参量估计问题。在变化检测的基础上,YCbCr颜色空间的亮度、色调和饱和度被用来识别和消除由阴影和反光等引起的变化区域。结果表明,提出的背景建模方法对场景中各种光线变化、小的背景扰动等噪声具有稳健性,可以较为可靠地检测前景目标,识别和去除阴影和反光。

关键词：图像处理视频监视运动目标检测变化检测背景建模柯西分布阴影

来源：评论

学校读者我要写书评

暂无评论

基于滑动窗的混合高斯模型运动目标检测方法

引用

电子与信息学报 2013年第7期35卷 1650-1656页

作者：周建英吴小培张超吕钊 f安徽大学计算智能与信号处理教育部重点实验室合肥230039

在复杂场景下,传统混合高斯模型能较好地检测出运动目标,但随着时间的推移,模型参数收敛缓慢且难以适应场景中真实背景的实时变化,从而导致运动目标的错误检测率增加。该文利用滑动窗技术的短时历史记忆特性,提出一种新颖的基于滑动窗... 详细信息

在复杂场景下,传统混合高斯模型能较好地检测出运动目标,但随着时间的推移,模型参数收敛缓慢且难以适应场景中真实背景的实时变化,从而导致运动目标的错误检测率增加。该文利用滑动窗技术的短时历史记忆特性,提出一种新颖的基于滑动窗的混合高斯模型运动目标检测方法,该方法弥补了传统混合高斯背景模型不能及时形成新背景的缺点,提高了运动检测的完整性,并进一步降低了算法对场景光照变化的敏感性。多场景下的对比实验结果表明,该方法能更准确、完整地检测出运动目标并具有更好的环境适应性。

关键词：运动目标检测滑动窗混合高斯模型背景模型

来源：评论

学校读者我要写书评

暂无评论

基于运动增强和颜色分布比对的运动目标检测

引用

北京航空航天大学学报 2012年第2期38卷 263-267,272页

作者：郭江谷多玉李书晓常红星中国科学院自动化研究所综合信息系统研究中心北京100190

为检测无人机视频中的地面运动目标,提出了一种运动和颜色信息相结合的算法.采用前向运动历史图像来增强独立运动信息和抑制背景噪声,确保完整分割出候选运动区域;提出一种迭代的、基于局部颜色分布比对的方法,去除候选区域中的背景像素... 详细信息

为检测无人机视频中的地面运动目标,提出了一种运动和颜色信息相结合的算法.采用前向运动历史图像来增强独立运动信息和抑制背景噪声,确保完整分割出候选运动区域;提出一种迭代的、基于局部颜色分布比对的方法,去除候选区域中的背景像素,以更准确地提取单个运动目标.算法不仅节约了计算量,还有效降低了误检和漏检的可能性.多组无人机视频的实验结果表明了所提算法的高效性和鲁棒性.

关键词：航空视频分析运动目标检测前向运动历史图像局部颜色分布比对

来源：评论

学校读者我要写书评

暂无评论

CenSurE特征和时空信息相结合的运动目标检测

引用

光学精密工程 2013年第9期21卷 2452-2463页

作者：张红颖胡正中国民航大学航空自动化学院天津300300

提出一种结合中心环绕极值特征(CenSurE)和时空信息的运动目标检测算法,用于提高动态场景中运动目标检测的速度和目标的完整性。首先,根据CenSurE特征点提取的快速性和精确性,使用该特征和单应性变换模型快速、准确地配准运动序列帧间图... 详细信息

提出一种结合中心环绕极值特征(CenSurE)和时空信息的运动目标检测算法,用于提高动态场景中运动目标检测的速度和目标的完整性。首先,根据CenSurE特征点提取的快速性和精确性,使用该特征和单应性变换模型快速、准确地配准运动序列帧间图像,从而补偿摄像机运动引起帧间背景的平移、旋转和缩放量。然后,在时域对背景配准帧用帧差信息生成运动前景掩模,根据前景掩模的空域信息建立动态更新的实时背景,并使用空域背景减除和一种基于概率统计的自适应阈值分割方法提取较为完整的前景运动目标。最后,通过标准视频序列进行测试以验证算法的有效性。实验结果表明,该算法能够达到15 frame/s的处理速度,且在保证检测速度的同时可得到完整的运动目标,基本满足动态场景中运动目标检测的快速性、抗噪性、光照适应性以及目标完整性等指标。

关键词：运动目标检测中心环绕极值特征运动补偿前景掩模动态背景

来源：评论

学校读者我要写书评

暂无评论

基于双目视觉的运动目标检测与三维重建

引用

计算机集成制造系统 2024年第7期30卷 2419-2430页

作者：赵珊珊米曾真陈韧重庆理工大学机械工程学院重庆400054

移动机器人凭借其工作性能可靠、减少生产制造成本等优势,在现代集成智能制造业中具有广阔的市场应用前景。但目前移动机器人室内环境感知系统存在感知维度单一、精度不高等问题,往往难以满足多维度实时精确感知环境的需求。因此,在模... 详细信息

移动机器人凭借其工作性能可靠、减少生产制造成本等优势,在现代集成智能制造业中具有广阔的市场应用前景。但目前移动机器人室内环境感知系统存在感知维度单一、精度不高等问题,往往难以满足多维度实时精确感知环境的需求。因此,在模拟物流储仓的实验室环境下构建了一种可同时进行二维动态目标检测和三维场景地图重建的环境感知系统,将双目相机采集的图像分别输入增加树形特征融合模块的改进YOLOv3网络与加入带色彩恢复的多尺度视网膜增强算法和关键帧筛选机制的优化RTAB-MAP算法,运行结果在机器人可视化平台实时显示,从而进行多维度环境感知,满足多任务需求。实验结果表明,动态目标检测中查准率与查全率较原算法分别提高1.78%和1.73%,检测耗时为16.57ms/f,平均定位误差为1.49%;改进后的RTAB-MAP算法相较原算法各误差均显著下降,实际室内场景重建中三维点云地图质量更佳。

关键词：双目视觉运动目标检测三维重建 YOLOv3 移动机器人

来源：评论

学校读者我要写书评

暂无评论

基于空时多线索融合的超像素运动目标检测方法

引用

电子与信息学报 2016年第6期38卷 1503-1511页

作者：宋涛李鸥刘广怡信息工程大学信息系统工程学院郑州450002

运动目标检测是计算机视觉领域极具挑战性的难题,该文针对这一问题提出一种基于空时多线索融合的超像素运动目标检测方法。首先利用简单线性迭代聚类算法将当前帧分割为超像素集合,根据帧间的像素级时变线索找到当前帧中包含运动信息的... 详细信息

运动目标检测是计算机视觉领域极具挑战性的难题,该文针对这一问题提出一种基于空时多线索融合的超像素运动目标检测方法。首先利用简单线性迭代聚类算法将当前帧分割为超像素集合,根据帧间的像素级时变线索找到当前帧中包含运动信息的前景超像素子块;然后根据运动目标的一致性原则建立前一帧目标模型,结合目标空间线索进一步确定包含运动目标的检测窗口,将目标检测问题转化为目标分割问题,利用密集角点检测将目标从窗口中分割出来。在多个具有挑战性的公开视频序列上同几种流行检测算法的实验对比结果证明了所提算法的有效性和优越性。

关键词：运动目标检测超像素分割空时多线索前景目标模型目标分割

来源：评论

学校读者我要写书评

暂无评论

复杂背景下H.264压缩域运动目标检测算法

引用

通信学报 2011年第3期32卷 91-97页

作者：陈明生梁光明孙即祥刘东华赵键国防科技大学电子科学与工程学院湖南长沙410073

针对H.264/AVC压缩码流中的运动目标检测问题,提出了一种基于马尔可夫随机场的最大后验概率(MAP-MRF,maximum a posterior-Markov random field)框架下适合复杂背景的H.264压缩域运动目标检测算法。算法首先生成滤波后的4×4像素块... 详细信息

针对H.264/AVC压缩码流中的运动目标检测问题,提出了一种基于马尔可夫随机场的最大后验概率(MAP-MRF,maximum a posterior-Markov random field)框架下适合复杂背景的H.264压缩域运动目标检测算法。算法首先生成滤波后的4×4像素块均匀运动矢量(MV,motion vector)场,对MV的相位建立高斯混合模型(GMM,Gaussian mixture model),结合MV幅度、帧间宏块分割模式、MV相位背景模型和运动目标时空约束建立马尔可夫随机场(MRF,Markov random field)模型。通过求解该模型得到每个4×4像素块前景、背景标记检测出运动目标。实验结果表明,算法能从复杂场景的H.264码流中提取出运动目标,与传统算法相比,Precision和Recall指标平均分别提高了20%和3.5%。

关键词： H.264/AVC 马尔可夫随机场高斯混合模型运动目标检测

来源：评论

学校读者我要写书评

暂无评论

超像素特征的运动目标检测算法

引用

控制理论与应用 2017年第12期34卷 1568-1574页

作者：胡昭华张维新邵晓雯南京信息工程大学电子与信息工程学院江苏南京210044 南京信息工程大学江苏省大气环境与装备技术协同创新中心江苏南京210044

在像素级的背景建模方法中,由于其反映的只是时间上的连续性,没有考虑到空间上的相关性,所以会导致检测目标不完整,或检测目标呈碎片化的结果,不利于后续的识别或跟踪.为此,本文首先针对ViBe算法对于动态背景不鲁棒的问题进行了改进,利... 详细信息

在像素级的背景建模方法中,由于其反映的只是时间上的连续性,没有考虑到空间上的相关性,所以会导致检测目标不完整,或检测目标呈碎片化的结果,不利于后续的识别或跟踪.为此,本文首先针对ViBe算法对于动态背景不鲁棒的问题进行了改进,利用样本集的标准差作为动态背景度量值,实时更新距离阈值和背景模型更新率,达到对动态背景的鲁棒性;同时引入了超像素特征,提出了基于超像素特征的运动目标检测算法.由于超像素分割具有较好的边缘信息同时超像素数目可控,所以根据SLIC0超像素分割算法提取超像素特征,将超像素块中的像素均值作为超像素特征值,并引入到改进的ViBe算法框架中;由于超像素分割的数目并不是固定不变的,所以本文使用初始种子点位置的超像素特征构建背景模型并进行运动目标的检测.实验表明,该方法检测结果具有良好的目标边缘信息并可以有效抑制动态背景的干扰.

关键词： ViBe算法超像素运动目标检测 SLIC0算法动态背景

来源：评论

学校读者我要写书评

暂无评论

LFMCW雷达密集运动目标检测

引用

红外与毫米波学报 2005年第1期24卷 76-80页

作者：刘贵喜凌文杰西安电子科技大学自动控制系陕西西安710071

线性调频连续波雷达对于匀速运动目标的回波经过混频以后还是一个线性调频信号 (LFM).从LFM信号中提取密集运动目标的距离和速度参数是个比较复杂的问题.本文提出了一种基于目标运动补偿和逐次消去(“CLEAN”)技术相结合的检测方法,该... 详细信息

线性调频连续波雷达对于匀速运动目标的回波经过混频以后还是一个线性调频信号 (LFM).从LFM信号中提取密集运动目标的距离和速度参数是个比较复杂的问题.本文提出了一种基于目标运动补偿和逐次消去(“CLEAN”)技术相结合的检测方法,该方法避免了估计多分量LFM信号参数问题,同时又消除了多普勒效应对密集运动目标检测的各种影响.仿真结果表明该方法不但克服了LFMCW雷达在密集目标检测中的困难,而且比传统方法降低 10dB左右的检测信噪比门限.

关键词： LFMCW雷达密集多分量LFM信号运动目标检测线性调频信号运动补偿混频仿真结果门限速度

来源：评论

学校读者我要写书评

暂无评论

SIFT特征匹配和差分相乘融合的运动目标检测

引用

光学精密工程 2011年第4期19卷 892-899页

作者：王梅屠大维周许超上海大学机电工程与自动化学院上海200072

针对运动目标检测的难点问题,提出了一种结合尺寸不变特征变换(SIFT)和差分相乘算法的运动目标检测方法。首先,用SIFT特征匹配算法配准运动图像的旋转、缩放和平移量,利用SIFT匹配的稳定性和准确性,精确补偿运动摄像机下的背景图像。然... 详细信息

针对运动目标检测的难点问题,提出了一种结合尺寸不变特征变换(SIFT)和差分相乘算法的运动目标检测方法。首先,用SIFT特征匹配算法配准运动图像的旋转、缩放和平移量,利用SIFT匹配的稳定性和准确性,精确补偿运动摄像机下的背景图像。然后,用差分相乘方法,准确分割出运动目标的轮廓。最后,通过实拍视频序列的试验,证明算法的有效性和可行性。系列实验显示,连续4帧图像差分相乘的方法即能够较好地满足应用要求。实验结果表明,SIFT特征匹配和差分相乘融合的方法具有较好的鲁棒性和抗噪能力,对于摄像机运动、亮度变化、遮挡等影响因素具有较强的适应能力。

关键词：尺度不变特征变换算法差分相乘动态背景运动目标检测

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：