导读:本文包含了运动阴影检测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:阴影,目标,高斯,模型,背景,视频监控,图像。
运动阴影检测论文文献综述
方岚,于凤芹[1]（2019）在《去除鬼影及阴影的视觉背景提取运动目标检测算法》一文中研究指出针对视觉背景提取(Vibe)运动目标检测算法存在的鬼影及阴影问题,利用鬼影与背景相似而运动目标与背景差异大的特点,提出了一种基于前景和邻域背景像素直方图相似度匹配的方法,快速检测鬼影并更新背景模型;利用阴影的颜色特性和纹理不变性,提出在亮度和色度分离的YCbCr色彩空间中先根据颜色特性得到候选阴影区域,再利用完全局部二值模式算子(CLBP)提取区域的详细纹理特征,进一步检测与去除阴影。在公开视频数据库CDnet-2012上进行仿真,仿真结果表明,该算法能够保证运动目标被完整检测的同时快速去除鬼影和阴影,其检测精度比原Vibe算法提高了21.53%。(本文来源于《激光与光电子学进展》期刊2019年13期）
李子龙[2]（2019）在《基于TSK模糊系统的运动阴影检测方法》一文中研究指出运动阴影检测仍然是当前视频检测系统中的难点。本文提出了一种基于TSK模糊系统的运动阴影检测方法。该方法通过TSK模糊系统融合了扩展的LBP纹理特征和颜色特征,并在其中分别使用了前景像素和背景像素的颜色和纹理的相似性度量。为了训练该模糊系统,本文使用粒子群优化算法和递归最小二乘估计算法分别来优化模糊系统的前件参数和后件参数。通过在不同的视频序列上进行测试,本文方法比其他方法具有更高的阴影检测性能。(本文来源于《电脑知识与技术》期刊2019年01期）
张德干,陈晨,董悦,张婷,潘兆华[3]（2018）在《一种基于机器学习的运动目标阴影检测新方法》一文中研究指出运动目标检测是物联网智能视频监控中的一个重要环节。通过对各种阴影检测方法的研究,我们发现仅仅通过一种特征进行处理并不能准确的检测出阴影。因此,本文提出了一种基于机器学习的运动目标阴影检测新方法。该方法深度融合颜色信息、光学不变性以及纹理特征等因素,通过机器学习,自适应地进行目标阴影检测,在综合分析叁种信息检测结果的基础上,实现对阴影的有效确定。该算法能够有效地结合各种方法的优势,在物联网应用中取得了较好的效果和运行效率。(本文来源于《光电子·激光》期刊2018年12期）
王玮[4]（2018）在《基于视频图像的运动目标与阴影检测算法研究》一文中研究指出在计算机视觉领域,运动目标检测方法是目标识别、跟踪等视觉应用的基础。它能够为交通等领域的智能视频监控系统提供实时、丰富、有效的信息,以完成视频图像中的目标识别与跟踪。然而,在实际应用中,光照变化、背景变化和运动阴影给运动目标检测算法的研究带来了诸多挑战。因此,研究有效的运动目标检测算法具有重要的研究价值和现实意义。据此,本文研究工作可以总结如下:首先,研究了光流法、帧间差分法和背景差分法叁类运动目标检测算法,并重点分析了视觉背景提取模型(Visual Background extraction model,ViBe)算法的优缺点。其次,针对传统ViBe算法存在的易受光照和背景变化影响、易出现“鬼影”现象等问题,提出了一种基于像素点状态自适应更新的ViBe算法;该算法通过引入由像素点前景和背景切换频率决定的状态函数来自适应地调节背景模型更新速率。实验结果表明,该算法可以较好地克服光照和背景变化带来的影响,且能够迅速消除“鬼影”;相比于传统的ViBe算法和其它典型的运动目标检测算法,有更好的目标检测效果,且客观评价指标更优,并能满足监控的实时性要求。但是,在上述运动目标检测过程中,仍然存在运动阴影被误检为目标的问题。因此,本文通过分析阴影形成原理,并在研究基于阴影特征的运动阴影检测算法基础上,针对利用单一特征对运动阴影检测存在的误检率和漏检率较高等问题,提出了一种基于多特征融合的运动阴影检测算法。该算法先通过融合基于HSV颜色空间、改进的局部二值模式(Local Binary Pattern,LBP)纹理特征和Gabor滤波器纹理特征的阴影检测结果;再进行连通域一致性校正和形态学操作等处理,对检测结果进行进一步修正。实验结果表明,该算法与其它典型的运动阴影检测算法相比,能够更有效地检测出运动阴影,进而提高运动目标检测的准确性。(本文来源于《华东交通大学》期刊2018-06-30）
宋冉冉[5]（2018）在《视频序列中运动物体检测与阴影抑制算法研究》一文中研究指出智能视频监控系统可以从复杂的视频帧中分辨感兴趣的目标物体,自动分析图像中丰富的有用信息,提高了传统视频监控系统的智能化水平。其中,运动物体的检测作为视频分析的基础,它为后续的动作识别、跟踪以及行为理解等研究起到决定性作用。而物体所产生的阴影在运动属性上与物体一致,容易被误检为前景从而影响检测的准确度,因此抑制运动物体的阴影显得至关重要。本文以视频中运动物体为研究对象,分析运动物体检测和阴影抑制的算法,并加以改进,以求提取的运动物体效果更佳。论文主要在如下几个方面取得了研究成果。1.研究了经典运动物体检测算法的原理:帧差分法、光流法以及背景减除法,将叁种算法通过实验分析和优缺点的讨论,从算法复杂度、获取图像信息、适用的条件和存在的问题等方面进行了总结对比。2.研究了混合高斯背景建模算法的原理,分析其缺点并做出了改进。针对该算法复杂度高的问题,利用帧差分法与混合高斯模型相结合,先通过叁帧差分法检测出前景,并求出此前景与图像的占比,然后通过阈值判断图像内动态情况,若画面有运动物体,则利用混合高斯模型处理,否则更新背景;针对背景更新速率取值的缺陷,通过变化的更新速率,可以自适应分段调节背景更新速率。实验结果显示,改进算法的准确率相比传统算法提升4%以上,程序运行时间明显的提高,克服了混合高斯模型固定背景更新率造成的问题。3.为了更好的抑制运动物体的阴影,对基于HSV空间的阴影抑制算法加以改进。先通过混合高斯模型提取前景,然后与HSV空间检测的阴影相结合得到运动物体区域,针对由于亮度比的阈值不稳定而导致前景误检为阴影的缺点,采用纹理特征结合大津阈值提取部分运动物体区域,最后将提取的部分运动物体区域与通过HSV空间得到运动物体区域相结合,达到抑制视频中运动物体阴影的目的。实验结果显示,该算法在不同场景中取得较好的实验效果,综合性能相比于经典的阴影抑制算法提升8%以上。本文对运动物体检测和阴影抑制的研究成果实现了准确提取视频中的运动物体,对后续的视频分析处理有重大的意义。(本文来源于《湖北工业大学》期刊2018-05-29）
郑超[6]（2018）在《监控视频中运动阴影自适应检测与消除算法》一文中研究指出作为计算机视觉的一个重要研究方向,阴影检测与消除主要应用于目标识别、图像分割、运动检测等图像分析的预处理。目前已有的各种算法,当环境发生变化时,经常会出现误检或者漏检现象。针对这一问题,我们提出了两种鲁棒的阴影检测与消除算法。(1)提出了一种基于图的图像分割和区域增长相结合的阴影检测与分割算法。首先,利用梯度图像补偿方法,对已有的混合高斯模型进行改进,提取运动目标图像,消除图像空洞、噪声干扰等问题。然后,通过基于图的图像分割算法,对运动目标和阴影区域进行分割。最后,采用区域增长算法对于过分割区域进行合并,并将运动目标和其阴影区域准确的分割出来。(2)提出了一种基于梯度和YUV颜色空间的阴影检测与消除算法。首先,利用PBAS运动目标检测算法提取运动目标,并通过增加帧差法抑制Ghost区域。然后,将运动目标的梯度图与其对应的背景梯度图做差值,获取消除了阴影区域的前景目标候选区域。进一步的,采用基于YUV颜色空间的阴影检测算法,检测并消除运动目标的阴影区域,获得另一部分候选区域。最后,通过阴影的特征,将两部分候选区域有机的结合,获取消除了阴影区域的运动目标。和已有的多种方法相比较,实验结果表明,本文中所提出的两种阴影检测与消除算法,对不同的环境具有更好的鲁棒性。(本文来源于《安徽大学》期刊2018-05-01）
朱英凯,罗文广,宾洋[7]（2018）在《基于改进车底阴影提取算法的前方运动车辆实时检测》一文中研究指出道路前方运动车辆检测是汽车安全辅助驾驶的重要方面,开发鲁棒性强的实时检测方法是实现主动安全预警的有效途径。基于单目视觉和车道线确定梯形感兴趣区域(Region of Interest,ROI),并根据车底阴影特征,提出一种变矩形窗口的自适应均值-方差差值法,用于计算车底阴影阈值;进而,提出一种基于车辆尾部宽度模版的横向遍历最小均值法,生成车底阴影与路面相交线假设;再利用车底阴影的灰度值特征,对车底阴影线进行验证,从而检测出车辆。将上述方法应用于自行开发的DSP实验平台进行验证,结果表明,该方法平均计算周期仅38.46 ms,且在不同的交通环境、天气情况下均能较好地检测出车辆,具有较好的实时性和较强的鲁棒性。(本文来源于《电子技术应用》期刊2018年04期）
文凌艳[8]（2017）在《运动阴影检测与目标识别方法研究》一文中研究指出当今科技发展日新月异,社会经济水平稳步提升,人口的流动性日益增大,大量的流动人口给社会治安带来挑战,传统的安防监控系统依靠人力对场景视频进行分析处理,没有充分利用计算机技术以最大化视频监控的价值。近年来,计算机视觉、机器学习等技术不断发展,智能视频监控系统日趋成熟,在众多公共场所中得到了大量应用,相比于传统方法,它不仅能减轻监控人员的工作负担、节约成本,还能提高数据处理、异常检测的能力。结合当前先进的理论和技术,智能视频监控系统将在建设智慧城市、平安城市等方面发挥重要作用。由于监控场景的多样性和复杂性,目前智能视频监控还面临许多问题和挑战,本文主要针对运动阴影检测以及运动目标识别问题进行研究,主要工作如下:(1)分析了产生运动阴影的基本原理及其相关性质,介绍了不同类型的运动阴影检测算法。分析了经典的运动目标检测算法并对基于码本的方法进行了详细说明,对目标分类中常用的特征及分类器进行了介绍。(2)提出了一种基于哈尔型特性局部二元模式(Haar Local Binary Pattern,HLBP)特征的运动阴影检测算法。该算法分别提取运动区域及其背景区域的HLBP特征向量,不需要进行阈值选取、图像分块以及直方图统计,使用曼哈顿距离度量纹理差异,对差异图像进行阈值分割以检测运动阴影。结合颜色空间信息及纹理信息,提出了一种基于随机森林的运动阴影检测方法,该方法不需要对应用场景的光照、反射性质等进行假设,也避免了参数的设置。使用随机森林分类器对各个像素点进行二分类,判决是阴影还是前景目标像素点。该方法对各种室内外场景能取得较好的效果并且具有一定的泛化能力。(3)提出了一种基于HOG-HLBP特征的运动目标识别方法。利用方向梯度直方图(Histogram of Oriented Gradient,HOG)对目标外形轮廓以及HLBP对纹理的描述能力,将两者结合形成HOG-HLBP特征,使用支持向量机(Support Vector Machines,SVM)进行多类别判决,实验证明该方法能取得较好的分类效果。实现了一种基于检测的多目标跟踪方法,在匹配代价中加入表观信息,使其能够应对一些遮挡情况。结合运动检测、运动阴影消除以及多目标跟踪实现了监控视频目标分类。(本文来源于《中国科学技术大学》期刊2017-05-01）
童伟[9]（2017）在《复杂场景下的运动目标检测与阴影消除方法研究》一文中研究指出视频流序列下的运动目标检测作为智能视频监控系统的核心组成部分,在汽车自动驾驶与辅助驾驶、视频检索、智能安防、行人跟踪、导弹预警等重要场合具有广阔的应用前景。运动目标检测目的是准确提取视频序列中感兴趣的运动区域参数,然而对于光照突变以及多个阴影干扰因素并存的复杂场景中,常用运动目标检测方法由于漏检率和误检率高而严重阻碍了应用推广。因此,研究复杂场景下的运动目标检测与阴影消除方法具有重要的理论与现实意义。本论文针对场景发生光照突变、周边树叶摆动、交通道路中车道存在强边缘以及多目标间的相互遮挡等复杂场景的运动目标检测方法进行深入研究,具体工作如下:首先在深入研究现有常用运动目标检测方法的基础上,针对在噪声、光照变化等动态背景下常用运动目标检测方法易出现空洞和虚假目标的问题,提出一种基于七帧差分和边缘差分的新型运动目标检测方法;针对复杂环境下经典混合高斯背景建模方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方法;对比仿真实验验证了所提出方法的有效性。其次深入研究了阴影消除方法。在对常用阴影消除方法掌握的基础上,针对复杂环境中的运动阴影容易被误检测为运动前景而降低检测精度的问题,本论文提出一种基于改进自适应混合高斯模型与YUV颜色空间相结合的目标检测与阴影消除方法;通过MATLAB完成阴影消除实验与结果分析,验证了本论文方法的有效性。最后设计了一个运动目标分割系统。在Visual Studio 2010和Qt Creator环境下调用OpenCv视觉库重新实现上述方法实现运动目标的检测,并提出一种改进Camshift方法实现运动目标的分割,验证了本论文研究工作的有效性。(本文来源于《江苏科技大学》期刊2017-04-27）
张丛静[10]（2017）在《基于GMM的运动目标检测和阴影消除算法研究》一文中研究指出近年来,视频监控系统发展迅速,广泛地应用到了交通运输、金融银行、军事安全等诸多领域,是计算机视觉的重要应用。复杂场景的运动目标检测技术是智能视频监控领域的研究热点,为后续的目标追踪、智能报警的研究奠定了基础。本文对静态场景的目标检测技术进行了深入的探索,并着重研究了混合高斯背景建模运动目标检测和阴影消除的问题。主要工作如下:针对传统GMM (Gaussian Mixture Model,混合高斯建模)方法参数初始化粗糙,导致背景估计偏差较大的问题,提出了一种K-EM参数初始化优化方案。首先,对获取的视频帧图像进行形态学去噪,然后引入HSV颜色模式,建立HSV空间下的混合高斯背景模型,并结合K-means算法与EM算法完成参数的初始化。实验证明,在室外光照条件下,该算法的前景检测率较高,但阴影抑制效果不明显。在目标阴影消除方面,本文提出了一种基于颜色-纹理模糊积分双特征的阴影消除算法。首先在HSV颜色空间下进行像素的颜色聚类,对纹理特征采用旋转不变的LBP均一化模式。然后利用模糊理论中的Choquet模糊积分融合二者的相似度量值,与选定的阈值进行比较,分离前景目标与背景。通过实验分析,该算法对于目标与背景差别较大的图像检测效果较好,对于小目标或伪装色目标的检测效果不明显。针对双特征阴影消除算法的不足,本文提出了一种PCA (Principal Component Analysis,主成分分析法)与Choquet积分相结合的多特征融合的阴影消除方案。首先采用PCA方法提取阴影的主要特征,然后采用Choquet积分进行背景模型多特征的融合,最后采用一种自适应的Ostu分割算法完成对运动目标的提取。实验证明,本文的背景建模和阴影消除算法的检测结果准确性高,抗干扰性强,且可以适应不同的场景和环境,鲁棒性较强。(本文来源于《山东科技大学》期刊2017-04-01）
运动阴影检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
运动阴影检测仍然是当前视频检测系统中的难点。本文提出了一种基于TSK模糊系统的运动阴影检测方法。该方法通过TSK模糊系统融合了扩展的LBP纹理特征和颜色特征,并在其中分别使用了前景像素和背景像素的颜色和纹理的相似性度量。为了训练该模糊系统,本文使用粒子群优化算法和递归最小二乘估计算法分别来优化模糊系统的前件参数和后件参数。通过在不同的视频序列上进行测试,本文方法比其他方法具有更高的阴影检测性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
运动阴影检测论文参考文献
[1].方岚,于凤芹.去除鬼影及阴影的视觉背景提取运动目标检测算法[J].激光与光电子学进展.2019
[2].李子龙.基于TSK模糊系统的运动阴影检测方法[J].电脑知识与技术.2019
[3].张德干,陈晨,董悦,张婷,潘兆华.一种基于机器学习的运动目标阴影检测新方法[J].光电子·激光.2018
[4].王玮.基于视频图像的运动目标与阴影检测算法研究[D].华东交通大学.2018
[5].宋冉冉.视频序列中运动物体检测与阴影抑制算法研究[D].湖北工业大学.2018
[6].郑超.监控视频中运动阴影自适应检测与消除算法[D].安徽大学.2018
[7].朱英凯,罗文广,宾洋.基于改进车底阴影提取算法的前方运动车辆实时检测[J].电子技术应用.2018
[8].文凌艳.运动阴影检测与目标识别方法研究[D].中国科学技术大学.2017
[9].童伟.复杂场景下的运动目标检测与阴影消除方法研究[D].江苏科技大学.2017
[10].张丛静.基于GMM的运动目标检测和阴影消除算法研究[D].山东科技大学.2017
论文知识图
