基于空间信息高斯混合模型的运动车辆检测

合集下载

基于自适应高斯模型的实效运动目标检测算法

基于自适应高斯模型的实效运动目标检测算法王红茹;童伟【摘要】针对复杂环境下经典混合高斯背景建模算法实时性差以及帧间差分法检测精度低的问题,提出一种基于七帧差分和改进的自适应混合高斯模型相结合的运动目标检测算法.通过七帧差分获取当前帧运动目标的粗略区域;利用HSV颜色空间色度的不变性进行阴影抑制,提取出背景区域和可疑运动区域;对可疑运动区域使用混合高斯法区分出背景显露区域以及运动区域,对每个区域的高斯建模参数采用不同的更新策略,不对背景区域进行高斯匹配;引入光照突变参数,若发生光照突变,对高斯模型中的建模参数重新初始化.对比实验结果表明,该算法能有效抑制阴影和光照突变对检测精度的影响,具有良好的实时性.【期刊名称】《计算机工程与设计》【年(卷),期】2016(037)010【总页数】5页(P2700-2704)【关键词】运动目标检测;七帧差分;自适应更新;混合高斯模型;颜色空间【作者】王红茹;童伟【作者单位】江苏科技大学机械工程学院,江苏镇江212003;江苏科技大学机械工程学院,江苏镇江212003【正文语种】中文【中图分类】TP391.41常用的基于图像序列运动目标检测算法主要有光流法[1-3]、帧间差分法[4,5]、背景减除法[6-8]。

光流法需要专门的硬件支持，计算复杂且计算量大，一般较少使用。

帧间差分法原理简单，对噪声和光线变化不敏感，但是目标检测易出现空洞现象。

背景减除法是利用背景图像与当前帧图像进行差分获得运动目标区域，受光照影响容易将背景误判为目标。

基于混合高斯模型[9]的背景差分法因能够解决多模态情况(如摇曳的树叶和水面波动)而广泛地被应用，但是算法的收敛性较差。

文献[10]将帧间差分与混合高斯模型相结合，但是运动区域并不构建新的高斯分布，算法的准确度不高；文献[11]通过混合高斯模型与改进的差分法区分出背景显露区与运动目标，为背景显露区赋予较大更新率，尽管算法的实时性较好，由于采用固定的学习率，在光照突变的场景下，背景的误检率较高；文献[12]对边缘图像建立混合高斯模型，尽管能够有效克服光照突变的影响，但算法的实时性较差。

车辆轨迹聚类

准备知识 2
聚类方法
K-Means
1.随机选择K个样本点作为初始类中心。 2.计算每个样本点与每个类中心之间的距离，将每个样本指派到与其距离最近的类中，得到一个聚类结果。 3.更新每个类的样本均值：计算当前各个类中的样本均值，作为新的类中心。 4.直到迭代收敛或符合停止条件。注：停止条件可以是没有样本点被重新分配到不同的类，没有类中心再次改变，或误差平方和为局部最小。
Vehicle Trajectory Clustering Based on Dynamic Representation Learning of Internet of Vehicles
基于动态网络表示学习的车辆轨迹聚类
目录 CONTENTS
01 准备知识 02 摘要 03 研究背景 04 本文思想
RandomWalk给定当前访问起始节点，从其邻居中随机采样节点作为下一个访问节点，重复此过程，直到访问序列长度满足预设条件。
获取足够数量的节点访问序列后，使用skip-gram model 进行向量学习。
Deepwalk
优点：DeepWalk最主要的贡献就是他将Network Embedding与自然语言处理中重要的Word Embedding方法Word2Vec联系了起来，使得Network Embedding问题转化为了一个Word Embedding问题。
问题与挑战
a.问题
1.现有的方法主要依赖于手工设计的指标，这可能导致有偏差的结果。 2.大规模的车辆轨迹数据也成为这些方法应用的限制，因为计算这些手工设计的指标将花费更多的时间和空间。
使得得到的向量形式可以在向量空间中具有表示以及推理的能力，同时可轻松方便的作为机器学习模型的输入，进而可将得到的向量表示运用到社交网络中常见的应用中，如可视化任务、节点分类任务、链接预测以及社区发现等任务，还可以作为社交边信息应用到推荐系统等其他常见任务中。

基于公路监控视频的车辆检测和识别

基于公路监控视频的车辆检测和识别陈伟星;白天;许晓珑【摘要】针对目前基于公路监控视频的运动车辆检测和分类存在检测速度慢、分类效果差等问题,提出了一种高斯混合模型和AlexNet结合的检测分类算法.该方法首先用高斯混合模型对场景的背景建模,用当前帧图像减去背景图像得到运动的车辆,然后用AlexNet对已检测到的车辆进行分类.针对自采数据集过小的问题,采用数据扩充策略来扩充训练数据.实验结果表明,该方法检测速度可达到45 f/s,车辆检测精确度为94.4％,召回率为88.6％,均优于主流检测方法.【期刊名称】《微型机与应用》【年(卷),期】2018(037)011【总页数】5页(P64-68)【关键词】运动车辆检测;车辆识别;AlexNet;高斯混合模型【作者】陈伟星;白天;许晓珑【作者单位】中国科学技术大学软件学院,安徽合肥 230027;中国科学技术大学软件学院,安徽合肥 230027;福建省厦门市公路局信息处,福建厦门 361008【正文语种】中文【中图分类】TP391.40 引言随着社会经济的迅速发展，道路交通问题也越来越影响人们的生活，智能交通系统(ITS)的研究和设计受到广大学者们的重视。

而车辆检测是智能交通系统中最重要且最基础的一环。

基于视频的运动车辆检测常用的方法是基于高斯混合背景[1-2]的背景减除法，然而此方法本身存在很多缺点[3]：(1)高斯混合模型需要对每一个像素点在时序上建立多个高斯模型，因此存在计算量大、不利于实时处理等问题；(2)对目标速度敏感，当车辆速度较慢时无法正确检测出车辆。

当目标从静止到运动时，可能会将显露出来的背景区域视为“运动目标”，检测得到原目标的“影子”。

为了解决高斯模型存在的不足，许多学者提出了诸多改进措施[4-7]。

目前车辆识别的方法主要有两类，一种是通过提取图像的特征，如Harr-like[8]特征，然后使用传统机器学习分类器如Adaboost[9]进行分类；另外一种使用深度学习进行端到端的学习，如YOLO。

基于自适应混合高斯模型背景提取的研究

基于自适应混合高斯模型背景提取的研究[摘要]运动目标检测的主要方法有相邻帧差法与背景减法，在背景减法中，准确的提取背景是运动目标检测的核心任务之一。

背景提取的主要方法有均值法、中值法、mode算法[1]以及基于单高斯模型与混合高斯模型的背景提取方法，前四种方法的求解过程比较简单，但对于复杂多变的背景，提取的准确性较差.对此本文提出了一种基于自适应混合高斯模型的背景提取的算法，实验结果验证了算法的实用性与有效性。

[关键词]背景提取；混合高斯模型；目标检测中图分类号：tp391.41文献标识码：a文章编号：1009-914x（2013）21-0066-021.引言在视频监控技术中，运动目标的有效检测、提取已成为关键，并且是进行目标跟踪、识别等后续处理的基础[2]。

运动目标检测的方法主要有相邻帧差法与背景减法，相邻帧差法检测速度快、对光照不敏感，应对环境变化的能力较强，但不能检测静止或者运动速度慢的物体，容易产生空洞[3]，背景减法相对能完整的分割出运动目标。

背景图像减法一般先获取场景一帧的参考图像，然后实时拍摄的一帧新图像与之相减，在对差图像取阈值，最后得到一副从固定背景中分割出来的二值化图像。

景图像减法中会遇到几个关键性的问题，一是如何建立背景模型和实时更新模型参数以适应背景变化；二是这些背景变化包括：场景的光照变化、场景构成的改变、如阳光强弱和方向的改变、照明灯具的开关、背景中物体的微小移动、人或其他物体进入或移除场景等等。

这些外在环境的时时改变，都会影响运动目标检测的准确性。

为解决现存在的各种问题，本文提出一种基于自适应混合高斯模型背景提取的方法。

2.单高斯分布背景模型对一个背景图像，特定像素亮度的分布满足高斯分布，即对背景图像b（x，y）点的亮度满足： b（x，y）～n（u，d），这样我们的背景模型的每个象素属性包括两个参数：平均值 u和方差d。

5.实验结果分析为了充分验证算法的效果，本文使用在校园里所拍摄的一段视频进行目标检测实验，在文章所测试的400幅图像中，绝大部分都能很好的检测出运动目标，下图为一组例子基于单高斯与自适应混合高斯模型对目标检测的效果。

基于改进混合高斯模型的自适应运动车辆检测算法

ｐｒｏｂｌｅｍｓｔｈａｔｔｈｅｂａｃｋｇｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎｍｅｔｈｏｄｏｆｔｒａｄｉｔｉｏｎａｌＧａｕｓｓｉａｎｍｉｘｔｕｒｅｍｏｄｅｌｉｓｓｅｎｓｉｔｉｖｅｔｏａｂｒｕｐｔｃｈａｎｇｅｓｉｎｅｎｖｉｒｏｎｍｅｎｔａｎｄｈａｓ
ＺｈａｎｇＨｕ
ＦａｎｇＨｕａ
ＬｉＣｈｕｎｇｕｉ
（ＤｅｐａｒｔｍｅｎｔｏｆＥｌｅｃｔｒｏｎｉｃＩｎｆｏｒｍａｔｉｏｎａｎｄＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇ，ＧｕａｎｇｘｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｌｉｕｚｈｏｕ５４５００６，Ｇｕａｎｇｘｉ，Ｃｈｉｎａ）（ＤｅｐａｒｔｅｎｍｔｏｆＥｎｇｉｎｅｅｒｉｎｇＴｒａｉｎｉｎｇＣｅｎｔｅｒ，ＧｕａｎｇｘｉＵｎｉｖｅｒｓｉｔｙｆＴｏｅｃｈｎｏｌｏｇｙ，Ｌｉｕｚｈｏｕ５４５００６，Ｇｕａｎｇｘｉ，Ｃｈｉｎａ）
测效果。
关键词中图分类号
自适应
混合高斯模型
背景减除目标检测Ａ
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００－３８６ｘ．２０１４．０１．０７７

识别运动物体数量的算法

识别运动物体数量的算法基于图像的运动物体检测算法识别运动物体数量是计算机视觉中一项基本任务，在视频监控、自动驾驶和机器人导航等应用中至关重要。

基于图像的算法通过分析连续图像序列中的差异来识别移动对象。

背景建模运动检测的第一步是创建背景模型，代表场景中静止的部分。

这可以通过对一段时间内捕获的图像帧进行建模来实现。

常用的方法包括高斯混合模型（GMM）和非参数背景建模（NBM）。

运动分割一旦建立了背景模型，就可以通过与新图像帧进行比较来检测运动区域。

像素点与背景模型的差异表明运动。

可以使用各种阈值技术来分割运动区域，例如帧差或光流。

运动物体计数要计算运动物体的数量，需要对运动区域进行连通组件分析。

连通组件是像素点的集合，它们连接在一起并具有相同的运动模式。

每个连通组件对应一个运动物体。

优化算法性能运动物体检测算法的性能可以通过以下技术进行优化：减少噪声：使用滤波器或形态学操作从图像中去除噪声。

自适应阈值：动态调整阈值以适应照明变化。

阴影补偿：考虑阴影和反射，以避免将其误认为运动。

后处理：应用形态学操作或边缘检测算法来增强运动区域。

基于视频的运动物体检测算法基于视频的算法利用时间维度的信息来提高运动物体检测的准确性。

这些算法使用光流、帧差或背景建模等技术来跟踪视频序列中的运动。

光流法光流法估计连续图像帧中像素点的运动。

它可以识别沿不同方向和速度移动的物体。

帧差法帧差法计算相邻图像帧之间的差异。

较大的差异表明运动。

该方法简单易用，但容易受到噪声和照明变化的影响。

背景建模法如图像处理中所述，背景建模法可以扩展到视频序列。

通过对一段时间内的视频帧进行建模，算法可以识别并掩盖静止区域。

深度学习方法近年来，深度学习方法已用于运动物体检测。

这些算法使用卷积神经网络 (CNN) 从图像和视频序列中学习运动模式。

CNN 架构用于运动物体检测的 CNN 架构通常包括卷积层、池化层和完全连接层。

卷积层识别图像中的局部模式，而池化层减少空间维度。

opencv mog2 原理

opencv mog2 原理OpenCV MOG2（Mixture of Gaussians）是一种常用的背景建模算法，用于视频中的移动目标检测。

MOG2算法基于高斯混合模型，能够自动学习和更新背景模型，从而准确地提取前景目标。

本文将介绍MOG2算法的原理和应用。

一、背景建模算法介绍背景建模是计算机视觉中的一项重要任务，广泛应用于视频监控、智能交通等领域。

其主要目的是从视频中提取出静态背景，以便于后续的目标检测和跟踪。

MOG2算法是背景建模算法中的一种，相比于传统的MOG算法，它具有更好的适应性和鲁棒性。

二、MOG2算法原理MOG2算法使用高斯混合模型来对每个像素的颜色进行建模，即假设每个像素的颜色值来自于多个高斯分布的混合。

通过学习像素颜色的分布，MOG2算法能够自动地建立起背景模型，并根据新的观测数据进行模型的更新。

MOG2算法的具体步骤如下：1. 初始化背景模型：对于每个像素，初始化一个包含K个高斯分布的混合模型，其中K是一个预先设定的常数。

2. 前景检测：对于每一帧输入图像，计算每个像素与其对应的背景模型之间的匹配度。

如果像素的颜色与背景模型的某个高斯分布的匹配度低于一个阈值，那么该像素被认为是前景。

3. 模型更新：对于被认为是前景的像素，更新其对应的高斯分布的参数；对于被认为是背景的像素，不进行更新。

通过这种方式，MOG2算法能够自动地适应场景变化，减少误检率。

4. 背景更新：定期对背景模型进行更新，以适应长时间运行中的光照变化和场景变化。

三、MOG2算法的优点MOG2算法相比于传统的背景建模算法具有以下优点：1. 自适应性：MOG2算法能够自动地学习和适应场景的变化，减少了手动调参的工作量。

2. 鲁棒性：MOG2算法能够处理光照变化、动态背景等复杂场景，具有更好的鲁棒性。

3. 低延迟：MOG2算法使用了基于高斯分布的建模方法，计算效率高，能够实时处理视频流。

四、MOG2算法的应用MOG2算法在视频监控、智能交通等领域得到了广泛的应用。

自适应混合高斯背景模型的运动目标检测方法

０引言
运动目标检测是计算机视觉应用中信息提取的第一步，包括视频监控、车辆跟踪等领域。一个鲁棒性的运动目标检
第３０卷第１期
２１００年１月
计算机应用
ＪｕｎｌｏｏｕｅｐｉａｉｎｏｒａｆＣｍｐｔｒＡｐｌｔｓｃｏ
Ｖ０．０Ｎｏ１３．１
Ｊｎ２０１０ — ０１２１）１０１— ４
ｍｖｇｏｊｔｗｒｄｔｔｙｂｃｇｏｎｕｔｃｉ．Ｃｍａｄｔｔｅｍｏｉｂｅｔｄｔｃｏｐｒａｈｂｓｄｏｏｉｂｃｓｅｅｅｃｅｂａｋｒｕｄｓｂｒｔｎｏｐｒｏｈｖｎｏｊｃｅｔｎａｐｏｃａｅｎｎｅｅｄａｏｅｇｓｅｉ
ｔｅｌｒｉｇｒｔｓｏｌｂｐａｅｎｌｅａｃｒｉｅｒａｏｓｉｂｔｅｎｔｅｐｅａｄｉｄａｅｔｉｌａｔ，ｈｈａｎｎｅｈｕｄｅｕｄｔｏ —ｎｃｏｄｎｔｔｅｔｎｈｐｅｅｉｌｎｓｊｎｘｓｅａｄｉｇｏｈｌｉｗｈｘｔａｃｐｅ．Ｌｓｙｔｅｌ
ｒｐｉｙａｄｌ．
Ｋｅｏｄ：ｍｘｒａｓｉｎｍｄｌａｋｏｎｐａｎ；ｂｃｇｏｎｕｔｃｉ；ｏｊｃｓｅｃｏ；ｎｉｅｖｌｙｗｒｓｉｔｅＧｕｓｏｅ；ｂｃｇｕｄｕｄｔｇａｋｒｕｄｓｂｒｔｎｂｅｔｄｔｔｎｏｅｒｕａｒｉａｏｅｉｓｍｏａ
盖几率小的假设构建初始背景，每个像素点在线选择高斯分布个数。根据像素点与其邻域像素间存在联系的思为

基于高斯混合模型的目标跟踪技术研究

基于高斯混合模型的目标跟踪技术研究在目标跟踪领域中，高斯混合模型（Gaussian Mixture Model，简称GMM）是一种非常常用的方法，它能够实现对多目标跟踪，同时具有较高的准确性和鲁棒性。

本文将介绍GMM的基本原理、实现方法以及常见的应用场景。

一、GMM的基本原理GMM是一种基于概率分布的模型，它把一个目标看作是由多个高斯分布叠加而成的混合分布。

在GMM中，每个高斯分布代表着目标的一个状态，例如位置、颜色、大小等等。

而混合分布则表示了目标的不确定性和变化性，即其状态可能会随着时间而发生改变。

为了跟踪目标的状态，GMM需要先对目标的状态进行建模。

这可以通过对目标的特征进行采样来完成，例如在视频中采集目标的位置、颜色和大小等信息。

接下来，GMM会对这些特征进行聚类，得到不同的高斯分布。

每个高斯分布代表着目标的一个状态，它具有自己的均值、方差和权重等属性。

在实际应用中，GMM通常使用期望最大化算法（Expectation-Maximization，简称EM）来对模型进行拟合。

EM算法是一种常用的迭代优化算法，它通过计算每个样本点属于每个高斯分布的概率来找到最优的模型参数。

在每次迭代中，EM算法会先利用当前的模型参数对每个样本点的高斯分布进行重新估计，然后再根据这些分布计算新的模型参数。

当模型参数收敛时，即可得到最优的高斯混合模型。

二、GMM的实现方法GMM的实现方法可以分为两个步骤：模型训练和目标跟踪。

模型训练是指利用已知的样本数据来训练GMM模型，而目标跟踪则是指在实时场景中利用已有的GMM模型来跟踪目标。

1. 模型训练GMM的模型训练通常可以分为以下几步：（1）采样数据：从视频序列中采样目标的位置、颜色、大小等信息。

（2）特征提取：对采样的数据进行特征提取，例如提取目标的颜色直方图。

（3）聚类分析：对提取的特征进行聚类分析，得到不同的高斯分布。

（4）参数估计：利用EM算法对模型参数进行估计，得到最优的高斯混合模型。

基于改进混合高斯背景模型的车辆检测算法研究

一 ‘
（１）地线的连接控制系统采用正确的接地方式，是安全的保证也是抑制干扰的需要。一般接地方式主要有浮地式、直接式以及电容式三种，对于ＰＩ．Ｃ系统而言由于其属高速低电平控制装置，因＿而采用直接式。（２）电源线、Ｉ／０线与动力线的连接动力电缆属于高压大电流线路，若系统的配线接近则会产牛干扰，因此在进行布线时要将ＰＬＣ的输入输出线与其他控制线分开，避免使用一条电缆。在对外部进行布线时对于控制电缆、动力电缆、输入输出线者的间距一般控制在３０ｃｍ以上。若实际情况不允许，只能提供同一线槽布线时，要使用金属板将其三者间隔屏蔽，此时金属板需与地连接。采用此布置原则可以使外界磁场以及这三者之间的相互干扰得到减少。３．抑制外围设备干扰（１）ＰＬＣ的输入与输出端子的保护为避免电感性输入或输出电路断开时产生的较高的感应电势对ＰＬＣ产生较大的冲击影响，且ＰＬＣ的驱动元件主要由电磁阀和交流接触器线圈时，在驱动元件与ＰＬＣ输出端中间使用过零型固态继电器ＡＣ — ＳＳＲ是行之有效的解决方式。（２）输入与输出信号的防错为减少ＰＬＣ输入电流和外部负载上的电流一般采取并联旁路电阻在输入、输出端的方式。（３）漏电流当采用接近关、光电开关等Ｄｃ两线式传感器输入信号时，若漏电流较大时，应考虑由此而产生的误动作，使ＰＬＣ输入信号不能关断。此时可以采用在ＰＩＣ输入端子上接旁路电阻以减少输入阻抗。同样用双向可控硅为输出时，为避免漏电流等原因引起输出的元件关断不，也可以在输出端并联旁路电阻。

基于改进的混合高斯模型的运动目标检测方法

而且，始学习速度慢．ＫａｗＴｒｋｌｏｇ等嘲在初ｅａｕＰｎＳａｆｒ模型的框架上提出了不同的模型更新ቤተ መጻሕፍቲ ባይዱ方ｔｕｆ［ｅ
即混合高斯分布
ｕ＾
．ｔｕｆｒ将混合高斯分布按Ｓａｆ［ｅ
式，即在初始学习阶段使用足够的统计信息更新方程，
２００８年７月
Ｊ１０８ｕ．２０
基于改进的混合高斯模型的运动目标检测方法
姚会苏松志王丽李绍滋，，，
（．门大学信息科学与技术学院，建厦ｆ３１０；．１厦福－６０５２山东大学控制科学与工程学院，东济南２０６）ｊ山５０１
排序，则前Ｂ个高斯分布为背景模型，
６
之后转入基本的迭代更新方式，决了混合高斯模型解
初始学习速度慢的问题，是这样不利于后面阶段学但习新的前景物体．
Ｂ — ａｇｉｒｍｎ（
叫＞．）ｒ
摘要：针对传统高斯模型学习速度慢问题，提出了一种基于新的背景模型更新模式的目标检测方法．首先，对彩色图像
建立混合高斯模型，且采用新方法更新背景模型，并即不同的阶段使用不同的更新方程，后由背景差分得到基本准确然
立颜色模型表示亮度变化和色差，利用它们检测阴影；文献［］阴影检测算法利用了在ＨＳ空间中，８的Ｖ阴影的亮度和饱和度减少，色调保持不变的特性．而文献［］９对多种阴影检测算法进行了比较．

一种改进的基于背景差算法的运动车辆检测方法

善了视觉效果，使前景检测误差值降低了１％，４可为后续交通参数的提取提供更为精确可靠的图像数据信息。
关键词：号与信息处理；字图像处理；辆检测；景差；信数车背混合高斯模型；态学滤波形文献标识码：Ａ中图分类号：Ｐ９．Ｔ３１４
运动对象，利于进一步的对象分析和识别。背景差法则是在摄像机静止条件下广泛应用的一种运动检测技术，不在算法速度和效果两方面的综合性能最好＿。该方法首先进行背景构建，后根据当前帧和背景的差异检测运２Ｊ然
这样更接近于真实场景。自适应混合高斯模型具有良好的解析形式和更高的运算效率，于其他形式的背景模优
型，因此被广泛应用在背景建模中。
文中采用背景差法对交通视频中的运动车辆进行检测。首先，深人研究了常用的背景建模方法即自适应混合高斯模型的建立及更新机制，对更新机制提出了改进方法，并以提高背景模型的环境适应能力；其次，合背景结模型和当前帧，用背景差法从视频中分割出前景目标并进行二值化处理，而提取出运动车辆前景目标；次，利从再结合高斯滤波预处理以及数学形态学知识，分割出来的运动车辆前景图像中存在的空洞及边缘毛刺等现象进对行改善，使检测的正确率及精度得到进一步的提高；最后，实验结果进行了分析，给出相关结论。对并

基于自适应融合的实时车辆检测

基于自适应融合的实时车辆检测陈婷;朱熟康;高涛;李浩;涂辉招;李子琦【期刊名称】《同济大学学报（自然科学版）》【年(卷),期】2024(52)4【摘要】针对传统的车辆检测技术检测速度慢和精度低的问题,提出了一种融合注意力的自适应金字塔网络的交通目标检测算法(fusion attentiont adaptive pyramid network,FAAP-Net),可以显著降低交通事故的发生率。

为了降低计算复杂度,设计了一种轻量级的互补池化结构(CPS),该结构在宽度和高度上采用了两组不同的池化组合,在保持高精度的同时,显著降低了网络的浮点运算数(GFLOPs)和参数量。

为了解决智能交通系统特征图生成过程中的信息损失问题,通过将自适应注意力模块(AAM)和特征增强模块(FEM)引入自适应融合特征金字塔网络(AF-FPN),以融入车辆检测的形状特征。

针对车辆细节特征表征弱的问题,引入了一种按通道维度分组的注意力(SA)机制,以增强主干网络对不同车辆检测细节特征的关注,有效提取车辆细节的显著特征。

在BDD100K数据集上的实验结果表明,FAAP-Net算法相比于传统算法,平均精度从30.3%提升到43.7%。

【总页数】9页(P532-540)【作者】陈婷;朱熟康;高涛;李浩;涂辉招;李子琦【作者单位】长安大学信息工程学院;同济大学交通运输工程学院【正文语种】中文【中图分类】TP391.4【相关文献】1.基于多特征融合的车辆实时检测2.复杂场景下运动车辆实时动态自适应检测方法3.基于实时交通状况和自适应像素分割的运动车辆检测4.HSV空间自适应背景模板在运动车辆实时检测中的应用因版权原因，仅展示原文概要，查看原文内容请购买。

视频图像中的运动目标检测

视频图像中的运动目标检测周同雪;朱明【摘要】运动目标检测，是指从视频图像中将运动变化区域提取出来的检测技术，是图像处理技术的基础.在军事公安、交通管理、视频监控、医学检查等领域应用广泛.为了改进单独采用帧差法或背景减法进行运动目标检测时存在的不足，本文提出一种利用边缘信息的三帧差法与基于混合高斯模型的背景减法相结合的运动目标检测算法.该方法对视频图像中连续的三帧图像两两差分，对3个差分图像取均值，二值化，再经过形态学处理，并对中间帧进行 Canny 边缘提取，将二者进行“与”运算，即得到运动目标的边缘，用背景减法提取中间帧的前景，二值化，将其和目标的边缘进行“或”运算，经过形态学处理便可得到运动目标.实验结果表明，使用该方法目标检出率提高了9．7％~72．1％，误检率降低了0.090％~2.900％.这种二者相结合的方法相对于单一的检测算法能够有效、可靠地提取出运动目标.%Moving target detection technology refers to extracting the change from the video images, and it is widely used in the field of military security,traffic management,video surveillance,medical examination and so on.In order to improve the shortcomings of three-frame-difference method and background subtraction,this paper presents a new moving object detection algorithm based on edge information of the three-frame-difference method combined with the background subtraction.Firstly, the current frame subtracts the previous frame and the next frame separately, the next frame subtracts the previous frame,their results are added together to get a gray-scale image .The result is divided bythree.Secondly,the gray-scale image is translated into binary image afterbeing judged by threshold.And then it will be dealt with a series of morphological processing .Thirdly,the Canny edge detection operator is introduced into the middle frame,then the two results “and”operation to get the edge of the moving object .Finally,the current frame image subtracts the background image to get an-other gray-scale image,in the same way,it is translated into binary image after being judged by threshold.Then the final two results “or”operation.The moving object is got by doing a series of morphological processing.The experimental results show that,target detection rate by using the method increased by 9.7%~72.1%,and the error detection rate is reduced by0.090%~2.900%.The combination of the two compared with the single detection algorithm can effectively and reliably detect the moving targets.【期刊名称】《液晶与显示》【年(卷),期】2017(032)001【总页数】8页(P40-47)【关键词】运动目标检测;三帧差法;高斯背景;canny 边缘检测;形态学处理【作者】周同雪;朱明【作者单位】中国科学院长春光学精密机械与物理研究所，吉林长春 130033;中国科学院长春光学精密机械与物理研究所，吉林长春 130033【正文语种】中文【中图分类】TN919.8;TP391.4运动目标检测技术[1-4]是视频图像处理技术的基础.所谓运动目标检测,是指从视频图像中将运动变化区域提取出来的技术手段.根据运动目标与摄像机之间的关系,目标检测可以分为两种:摄像机静止和运动的情况.本文研究的是摄像机静止的情况,即在固定背景下进行运动目标检测.目前的检测方法有3种:光流法、帧差法和背景减法.光流法主要通过对序列图像光流场的分析,计算出运动场后,对场景进行分割,从而检测出运动目标.由于其计算复杂度高,抗噪性能差,因此不常用.帧间差法通过视频序列中两个或三个相邻帧进行时间差分阈值化来提取运动目标,该算法简单,实时性强,自适应性强,但易出现“双影”和“空洞”.背景减法是用当前帧减去通过背景建模获得的背景,即可获取运动目标.这种算法简单,实时性强,尤其适用于背景固定的场景,能获得较完整的特征数据,但易受光线、天气等外界条件变化的影响.许多专家,科研机构对运动目标检测技术很感兴趣,并做了深入的研究,有些公司也已将相应的产品推广到市场.Gibson[5-6]等人在20世纪中叶提出光流法,因为人眼在通过视频图像观察外界环境时,不断变化的图像信息就像光流一样通过人的视网膜,所以称之为光流.该方法首先对序列图像光流场的分析,计算出运动场后,对场景进行分割,从而检测出运动目标.Wren等人采用单一高斯模型对背景像素值进行建模,但该方法只适用于单一场景,在复杂场景下检测效果不佳.针对该缺点Stuffer提出了混合高斯模型,其在环境比较复杂的条件下仍然可以得到很好的检测效果.它用若干按照不同权值叠加的高斯分布来模拟多峰分布,各个高斯分布的权值和分布参数随时间更新.卡内基梅隆大学和戴维等几家研究机构联合研制的视频监视与监控系统(Visual Surveillance and Monitoring,VSAM),该系统用于战场态势分析、重要场所安全监控等.实时视觉监控系统W4能够在室外环境下对多人的活动进行检测、跟踪、监控和定位.IBM公司的Smart Surveillance System实现了智能监控的各种引擎. 国内的专家学者、科研机构也高度重视视频运动目标分析技术的发展[7-12],中国科学技术研究院、清华大学、北京大学、中国科技大学等许多高校和科学研究机构都在这方面发表了很多高质量文章.高凯亮等人提出将三帧间差分法和改进型mode算法下的背景减法相结合,对运动车辆进行检测.陈银提出一种结合单高斯背景和mean shift原理对运动目标进行检测的方法.魏晓慧提出基于混合高斯模型的运动目标检测算法.吴君钦提出一种静态背景下五帧差分与背景边缘差分相结合的运动目标检测算法.邵娜提出一种将从摄像头获取的彩色图像中提取运动目标并进行实时跟踪的算法.中国科学技术研究学院的模式识别国家重点研究小组针对交通运输中的视觉监控进行了深入细致的研究,开发了一套v star visual surveillance star系统,该系统在有车辆运动时,自动将序列图像发到计算机进行处理,识别序列图像,跟踪运动路径,并对运动目标进行行为理解.北京中和讯飞公司研发的智能视频分析处理器Sin-Video1403P,其可对多目标的异常行为进行实时的检测和报警.虽然许多学者在此方面研究出很多新颖的算法,但仍存在不足,所以找到一种运算速度快、实时性强、自适应性好的运动目标检测算法很重要.针对帧差法和背景减法单独应用时存在的缺陷,本文提出将二者改进后再结合的方法,利用帧差法的自适应性、背景减法能够高效提取前景的特点以及canny边缘提取的准确性,从而提高算法的检测效果.2.1 图像预处理本文采用了中值滤波和直方图均衡化的方法对图像进行预处理.在此简介一下这两种方法.中值滤波:基本原理是将数字图像或数字序列中某一点的值用该点的一个邻域中各点值的中值交换.常用的窗口有:3×3、5×5、7×7,形状有方形、十字形、圆形.它对去除椒盐噪声有很好的处理效果.同时因为本文在对运动目标检测时需要比较清晰的边缘信息,所以本文采用中值滤波进行预处理.直方图均衡化:直方图均衡化,把一已知灰度概率分布的原图像,经过变换将其变成一幅具有均匀灰度概率分布的新图像.新图像的各灰度级出现的概率相同,图像的熵最大,所以包含最多的信息量.2.2 经典三帧差法基本思想[13]:提取视频图像中的连续三帧图像,每相邻的两帧之间做差分运算,对得到的两个差分图像进行阈值分割,最后将两个二值化的图像作与运算,即得到运动目标.图1为经典三帧差法原理框图.用公式描述:式中:Dk(x,y)、IK＋1(x,y)、Ik(x,y)分别为差分图像、第k＋1帧和第k帧原始图像. 然后对差分图像进行阈值化分割,得到二值化的前景图像:式中:Tk(x,y)和T分别为前景图像和分割阈值.分割阈值用最大类间方差法求得. 2.3 改进的三帧差法基本思想:提取连续三帧,每两帧差分,三幅差分图像取均值,然后进行二值化,做形态学处理,即得到运动目标.图2为改进的三帧差法原理框图.经典三帧差法和改进后的三帧差法实验结果如图3所示.图(a)、(b)、(c)是本文采用的测试视频V1中第57、58、59帧图像,图(d)(e)是检测结果.通过实验结果可以看出,采用改进后的三帧差法,能够有效地提取出运动目标,弥补了经典三帧差法提取目标不完整的不足,同时为后续提取运动目标轮廓奠定了很好的基础.2.4 背景减法基本思想:首先进行背景建模,然后用当前帧减去背景帧,即可得到前景图像.常用的背景建模方法有平均值法、中值法、Surendra背景更新法、高斯分布模型等方法.而高斯分布模型又分为:单高斯模型和混合高斯模型.单高斯模型适用于背景比较稳定的场景中,然而实际生活中,场景会由于天气的变化,树叶的晃动变得复杂多变,因此单高斯模型不再适用.然而混合高斯模型能够更好地适应复杂场景.尤其当前景与背景颜色相近时,混合高斯模型起到了很好的建模效果,本文采用此方法.用公式描述:式中:Dk(x,y)、Ik(x,y)、Bk(x,y)分别为差分图像、视频当前帧和利用背景建模得到的背景图像.利用式(2)式对Dk(x,y)进行阈值化分割即可得到二值化前景图像.首先对视频图像序列进行图像预处理(中值滤波和直方图均衡化),目的是去除椒盐噪声,同时对亮度或对比度不均匀的图像进行处理,以便获得更清晰的细节,提高运动目标检测的准确度.然后对连续的三帧图像每两帧之间作差分运算,得到3幅差分图像,将这3幅图像相加除以3(即取均值),用最大类间方差法进行阈值分割,得到二值图像,在此根据二值图的特征进行必要的形态学处理,以便后期获得更清晰的前景轮廓. 对经过预处理的第k帧进行Canny边缘检测,获取整幅图像的所有边缘,然后将该图与形态学处理后的图像进行“与”运算,即得到前景边缘.利用高斯背景建模得到第k帧的前景图像,同样进行阈值分割,得到一幅二值图像,将“与”运算的结果(前景边缘)和该二值图进行“或”运算,最后经过形态学处理即得到运动目标.本文算法的原理框图见图4.为了验证算法的检测效果,实验选取了三段常用的测试视频,视频来源于两本参考书目[14-15]附赠的光盘中,分别是不同场景下,不同运动目标的视频,为表示方便,将其分别记为V1,V2,V3.图5为三组测试视频中的当前帧,分别是V1中的第58帧,V2中的第470帧,V2中的第284帧.图6为利用经典三帧差法分别对V1中的第58帧,V2中的第470帧,V2中的第284帧处理结果.图7为利用基于混合高斯模型的背景减除法分别对V1中的第58帧,V2中的第470帧,V2中的第284帧处理结果.三组视频采用相同的参数设置:高斯分布数K＝3,置信参数M＝3,方差σ＝6,更新速率α＝0.01.图8为利用本文的改进算法分别对V1中的第58帧,V2中的第470帧,V2中的第284帧处理结果.从实验结果可以看到,经典三帧差法检测出的运动目标很不完整,丧失了很多像素点.基于混合高斯模型的背景减除法提取出的运动目标较完整,但周围噪声点较多.而本文是采用改进后的三帧差法与背景减除相结合的方法,并采用Canny边缘检测技术,这样很好地弥补了上述不足,得到较好的检测效果.为了定性的检验本文的算法的性能,采用算法检测率,即检出率(DR)和误检率(FAR)两个指标两衡量,用公式表示如下:式中:TP是检测出来的属于运动目标的像素数, FP是检测出来的不属于运动目标的像素数,FN是未被检测出来的属于运动目标的像素数.由此,计算出检出率和误检率,见表1.表1数据是对视频中的每一帧分别算出检出率和误检率,最后求得所有帧的平均值.由此看出本文的方法在检出率上提高了9.7%～72.1%,并且误检率降低了0.090%～2.900%.为了计算本文算法的时间复杂度,采用算法对于每一帧图像处理所需要的时间来衡量(对各视频所有帧都进行检测后得到的平均值,单位:秒(s)),来进行比较,见表2.由于本文算法是将改进的帧差法和背景减法融合在一起,所以时间复杂度上提高了0.656～1.595 s.从以上数据分析来看,在综合考虑算法检测率以及时间复杂度上,本文方法可以获得更好的检测效果.本文为了改进单独采用帧差法或背景减法进行运动目标检测时存在的不足,提出一种利用边缘信息的三帧差法与基于混合高斯模型的背景减法相结合的运动目标检测算法.该算法可以实现对近距离的人、车辆以及小目标的检测,由于采用帧差法,因此对环境有较强的自适应性,由于应用了混合高斯建模,因而能够提取出完整的前景,同时采用Canny边缘检测,可以获得清晰的前景轮廓.实验结果和数据表明,使用该方法目标检出率提高了9.7%～72.1%,并且误检率降低了0.090%～2.900%.本文的算法能够较好地检测出运动目标.朱明(1964－),男,江西南昌人,研究员,博士生导师,主要从事视频图像处理,自动目标识别技术及成像目标跟踪等方面的研究.【相关文献】[1] 赵春晖,潘泉,梁彦,等.视频图像运动目标分析[M].北京:国防工业出版社,2011.ZHAO C H,PAN Q,LIANG Y,et al.Video Imagery Moving Targets Analysis[M].Beijing:National Defense Industry Press,2011.(in Chinese)[2] 余启明.基于背景减法和帧差法的运动目标检测算法研究[D].赣州:江西理工大学,2013.YU Q M.Research on moving object detection algorithm of background subtraction and frame difference method [D].Ganzhou:Jiangxi University of Science and Technology,2013.(in Chinese)[3] 高勇钢.改进帧差法和背景差法的多目标跟踪[J].巢湖学院学报,2013,15(6):14-16.GAO YG.Multiple target tracking on improved frame difference and background difference method[J].Journal of Chaohu College,2013,15(6):14-16.(in Chinese)[4] 陈国玉.序列图像中运动目标检测算法研究[D].大连:大连理工大学,2010.CHEN G Y.Research on algorithm of moving object detection in sequences image[D].Dalian:Dalian University of Technology,2010.(in Chinese)[5] REMAGNINO P,TAN T,BAKER K.Multi-agent visual surveillance of dynamicscenes[J].Image and Vision Computing,1998,16(8):529-532.[6] REMAGNINO P,TAN T,BAKER K.Multi-agent visual surveillance of dynamicscenes[J].Image and Vision Computing,1998,16(8):529-532.[7] 高凯亮,覃团发,王逸之,等.一种基于帧差法与背景减法的运动目标检测新方法[J].电讯技术,2011,51(10):86-91.GAO K L,QIN T F,WANG Y Z,et al.A novel approach for moving objects detection based on frames subtraction and backgroundsubtraction[J].Telecommunication Engineering,2011,51(10):86-91.(in Chinese)[8] 陈银,任侃,顾国华,等.基于改进的单高斯背景模型运动目标检测算法[J].中国激光,2014,41(11):1109002.CHEN Y,REN K,GU G H,et al.Moving object detection based on improved single Gaussian background model [J].Chinese Journal ofLasers,2014,41(11):1109002.(in Chinese)[9] 魏晓慧,李良福,钱钧.基于混合高斯模型的运动目标检测方法研究[J].应用光学,2010,31(4):574-578.WEI X H,LI L F,QIAN J.Moving object detection based on mixture Gaussianmodel[J].Journal of Applied Optics,2010,31(4):574-578.(in Chinese)[10] 吴君钦,刘昊,罗勇.静态背景下的运动目标检测算法[J].液晶与显示,2012,27(5):682-686.WU J Q,LIU H,LUO Y.Algorithm of moving object detection in static background[J].Chinese Journal of Liquid Crystals and Displays,2012,27(5):682-686.(in Chinese)[11] 邵娜,应捷.视频序列中运动目标检测与跟踪方法研究[J].光机电信息,2009,26(2):31-34.SHAO N,YING J.Research on the method of detecting and tracking moving target in video sequence[J].OME Information,2009,26(2):31-34.(in Chinese)[12] 王霏.基于视频的运动目标检测算法研究[D].长春:吉林大学,2014.WANG F.Research on moving target detection algorithm based on video[D].Changchun:Jilin University,2014.(in Chinese)[13] LIU G,NING S K,YOU Y G,et al.An improved moving objects detectionalgorithm[C]//Proceedings of the 2013 International Conference on Wavelet Analysis and Pattern Recognition.Tianjin:IEEE,2013:14-17.[14] 秦襄培.MATLAB图像处理与界面编程宝典[M].北京:电子工业出版社,2009.QIN X P.MATLAB Image Processing and Interface Programing[M].Beijing:Electronics Industry Press, 2009.(in Chinese)[15] 赵小川.MATLAB图像处理——能力提高与应用案例[M].北京:北京航空航天大学出版社,2014.ZHAO X C.MATLAB Image Processing[M].Beijing:Beijing University of Aeronautics and Astronautics Press,2014.(in Chinese)。

一种改进的帧间差分与背景差分融合的运动车辆检测方法

一种改进的帧间差分与背景差分融合的运动车辆检测方法孟浩磊;刘志成;伍仲黎;胡杰【摘要】针对运动车辆检测算法当前所存在的环境适应性差、检测信息不完整的问题,在帧间差分法与边缘检测法的基础上,提出了一种改进的帧间差分运动车辆检测算法,以解决帧间差分法检测车辆轮廓不完整的问题.而后将改进帧间差分法融合混合高斯背景模型得到最后的结果,以解决采用单一的帧间差分法检测到的运动车辆内部信息不完整和采用单一混合高斯背景模型对光照敏感的问题.实验结果表明,所提出的方法提高了对车辆检测的准确性以及对外部环境变化的适应能力.【期刊名称】《物流技术》【年(卷),期】2018(037)010【总页数】9页(P82-89,134)【关键词】运动车辆检测;帧间差分;边缘检测;背景差分;混合高斯模型【作者】孟浩磊;刘志成;伍仲黎;胡杰【作者单位】武汉理工大学汽车工程学院,湖北武汉 430070;武汉理工大学汽车工程学院,湖北武汉 430070;武汉理工大学汽车工程学院,湖北武汉 430070;武汉理工大学汽车工程学院,湖北武汉 430070【正文语种】中文【中图分类】TP391.41 引言近年来，城市车辆数量的急速增长给人们工作与生活提供便利的同时也引发了许多交通问题。

由于道路硬件条件限制，传统提高道路通行能力的方法在城市中变得困难，同时也要耗费巨额的资金[1]。

因此，对道路通行状况实施实时监控以采取更好的通行策略成为了现阶段缓解交通问题的主要途径之一[2]。

作为提取道路信息的一种重要手段，基于机器视觉的道路信息采集具有较大的发展空间[3]。

道路信息采集离不开准确检测视频中的运动车辆，通过对运动车辆的检测与识别[4]，得到目前道路的通行状况，从而供相关人员分析并最终作出合理决策。

目前国内外研究学者对视频图像中运动目标检测的常用方法主要有以下几种：光流法、背景差分法、帧间差分法、边缘检测法等[5-9]。

在基于光流法的运动目标检测过程中，吴振杰通过将光流法与帧间差分法结合对运动目标检测得到了鲁棒性较好的结果，但是这种方法的时间复杂度过高，不利于实际的运用[10]；肖军将光流法与图像金字塔结合，通过迭代计算光流提出了一种基于光流误差的跟踪算法，对目标有较好的检测效果[11]，但整个算法的计算较为繁琐，无法实现检测的实时性。

改进的KCF算法在车辆跟踪中的应用

改进的KCF算法在车辆跟踪中的应用王林;胥中南【摘要】针对核相关滤波算法(KCF)在复杂道路场景下难以应对因车辆尺度变化,遮挡及旋转而不能继续跟踪的问题,提出了一种新的跟踪方法来更好地实现复杂道路场景下的车辆跟踪;该方法借鉴快速分类尺度空间跟踪器(fDDST),采用一维尺度相关滤波器进行尺度估计;同时融合Kalman滤波器形成预测-跟踪-校准的跟踪机制;该机制结合遮挡处理能够保证系统在目标被严重遮挡时跟踪的准确性;在模型更新方面,在目标被遮挡时,自适应的调节学习率参数,及时纠正模型偏移、特征丢失等问题;实验结果表明,在复杂道路场景下车辆旋转、遮挡及尺度变化时,均能有效地跟踪目标车辆,且具有良好的鲁棒性.【期刊名称】《计算机测量与控制》【年(卷),期】2019(027)007【总页数】5页(P195-199)【关键词】复杂背景;车辆跟踪;核相关滤波;kalaman滤波;尺度空间估计;遮挡【作者】王林;胥中南【作者单位】西安理工大学自动化与信息工程学院,西安 710000;西安理工大学自动化与信息工程学院,西安 710000【正文语种】中文【中图分类】TP391.90 引言随着我国汽车行业的不断发展，国民生活水平的不断的提高，汽车已成为人们日常的代步工具。

随之而来的是交通事故的频发，以及带来的巨大的人身伤害和经济损失，导致交通事故已经成为全球性安全问题之一。

因此，智能交通系统(intelligent transportation system，ITS) 作为解决方案被提出并且得到了快速发展。

基于视频的车辆跟踪技术已经逐渐成为智能交通系统 ITS[1]以及智能交通管理技术的关键技术之一。

近年来，研究人员针对车辆跟踪问题提出了很多优秀的跟踪方法。

Wang[2]等人通过引入多特征融合方法，同时利用混合高斯模型体现运动目标的颜色分布，然后加入空间信息，将运动目标的多种外表所能观察到的特征进行了相应的组合，最终获得更为精确的目标分析模型。