CN102332167A - 一种智能交通监控中车辆和行人的目标检测方法 - Google Patents

一种智能交通监控中车辆和行人的目标检测方法 Download PDF

Info

Publication number
CN102332167A
CN102332167A CN201110300915A CN201110300915A CN102332167A CN 102332167 A CN102332167 A CN 102332167A CN 201110300915 A CN201110300915 A CN 201110300915A CN 201110300915 A CN201110300915 A CN 201110300915A CN 102332167 A CN102332167 A CN 102332167A
Authority
CN
China
Prior art keywords
component
value
gaussian distribution
time
gaussian
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201110300915A
Other languages
English (en)
Inventor
宋雪桦
王利国
袁昕
王昌达
沈廷根
陈景柱
吴朝辉
杨庆庆
尹康民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201110300915A priority Critical patent/CN102332167A/zh
Publication of CN102332167A publication Critical patent/CN102332167A/zh
Pending legal-status Critical Current

Links

Images

Abstract

本发明公开一种智能交通监控中车辆和行人的目标检测方法，对视频帧序列进行背景模型的初始化，独立建立饱和度分量和亮度分量的混合高斯背景分量模型并取分量均值；将视频帧序列中的当前帧跟背景帧相差分，对前景帧进行二值化处理后再去除阴影和噪声并进行形态学滤波；用更新因子更新得到的混合高斯背景模型的分量的权值、均值和方差；将要进行匹配的运动目标像素点值与更新后的混合高斯背景模型中的每一个分布的Jeffrey值进行比较，利用Jeffrey值判断运动目标像素点是否属于前景点；本发明需对饱和度分量和亮度分量更新相关参数，在不影响精度的情况下降低了系统的开销，能适应场景轻微扰动，克服噪声和环境光照的影响，具有鲁棒性高的特点。

Description

一种智能交通监控中车辆和行人的目标检测方法
技术领域
本发明属于数字图像处理技术领域，具体涉及一种智能交通监控中车辆和行人的检测方法，对输入的交通视频中的异常运动目标进行检测。
背景技术
智能视频监控是在不需要人为干预的情况下，通过计算机对图像序列进行自动分析，实现对动态场景中的运动目标检测、跟踪和行为理解等操作，并能够根据分析结果判断是否发出报警。在智能化的视频交通监控系统中，监控场景中的行人和车辆的运动目标是图像分析、图像识别及图像理解的基础，运动目标检测的结果可用于后续的目标跟踪和分类，检测的效果直接影响后续工作，因此必须检测出运动目标的完整信息。 
传统的运动目标检测主要有光流法、相邻帧差法、背景减法等，其中，光流法的计算复杂，光流稀疏，不利于实时实现；相邻帧差法虽然计算简单，但是会产生检测空洞，且对静止目标不能正确处理；背景减法利用当前帧与背景帧相减来检测运动目标，背景减法的关键是背景模型的建立，混合高斯背景模型算法因其具有低复杂度、步骤简单的特点，因此通常使用混合高斯模型来建立背景模型，但在实际生活中由于光照、树叶摇动、水面波光的反射等原因，场景在不停的变化中，目标区域的背景就会不断的变化，而混合高斯模型容易受到光照等条件变化的影响，对场景变化的适应能力不好，进而影响运动目标检测的灵敏度和正确率。
发明内容
本发明针对目前智能视频处理技术中运动目标检测存在的光照比较敏感、虚影现象以及阴影未去除等问题，提出了一种改进的运动目标检测方法，克服把混合高斯背景模型运用到交通智能视频监控时存在的不足之处，对智能交通监控中车辆和行人的目标进行检测，有效提高运动目标检测的灵敏度和正确率。
本发明的技术方案是依次采用如下步骤：（1）通过CCD摄像机采集视频帧，对视频帧序列进行背景模型的初始化，独立建立饱和度分量S和亮度分量V的混合高斯背景分量模型，将视频帧序列中的背景帧的所有像素的亮度分量V值和饱和度分量S值取均值；（2）将视频帧序列中的当前帧跟背景帧相差分，对前景帧进行二值化处理后再去除阴影和噪声并进行形态学滤波；（3）用更新因子                                                
Figure 147219DEST_PATH_IMAGE001
更新进行形态学滤波处理后得到的混合高斯背景模型的饱和度分量S和亮度分量V的权值、均值和方差，并对更新后的权值归一化；（4）将要进行匹配的时刻运动目标的像素点
Figure 811736DEST_PATH_IMAGE003
值与更新后的混合高斯背景模型中的每一个分布的Jeffrey值进行比较，利用Jeffrey值判断运动目标的像素点
Figure 132996DEST_PATH_IMAGE003
是否属于前景点， 若小于阈值
Figure 686654DEST_PATH_IMAGE006
=0.7时，则像素点
Figure 272356DEST_PATH_IMAGE003
和第
Figure 2011103009150100002DEST_PATH_IMAGE007
个高斯分布匹配，为前景点；其中，a取值范围是0~1，Jeffrey值是：
Figure 498938DEST_PATH_IMAGE008
，
Figure 802880DEST_PATH_IMAGE009
和
Figure 343583DEST_PATH_IMAGE010
分别是第
Figure 783792DEST_PATH_IMAGE011
个像素的均值和方差；
Figure 384537DEST_PATH_IMAGE012
和
Figure 972513DEST_PATH_IMAGE013
分别是饱和度分量S和亮度分量V的最小Jeffrey值。
本发明的有益效果是：简化了背景模型初始化的过程，建立饱和度分量和亮度分量的混合高斯背景模型，使后续步骤只需对饱和度分量和亮度分量更新相关参数，在不影响精度的情况下降低了系统的开销，能适应场景轻微扰动，克服噪声和环境光照的影响，具有鲁棒性高的特点。
附图说明
图1是本发明视频采集的流程图。
图2是本发明改进的目标检测算法流程图。
具体实施方式
本发明首先对采集到的视频帧序列像素值的饱和度分量S和亮度分量V初始化，建立亮度分量V和饱和度分量S的混合高斯背景模型，在对前景帧与背景帧差分后，进行二值化，形态学滤波等处理后，引入更新因子更新混合高斯背景模型；然后根据Jeffrey值来判定运动目标。具体如下：
参见图1，本发明的实施是基于硬件设备，硬件设备包括CCD摄像机、DSP数字信号处理器和PC机，DSP数字信号处理器的一端连接CCD摄像机，另一端连接PC机。先通过CCD摄像机采集视频帧（S101），再将采集的视频帧序列数据进行数模转换（S102），然后将转换得到的视频帧序列向DSP申请缓冲空间并入队列（S103），最后，DSP读取缓冲区中的视频帧序列（S104）。
参见图2，对DSP芯片中的视频帧序列进行背景模型的初始化，独立建立饱和度分量S和亮度分量V的混合高斯背景分量模型（S201），将视频帧序列中的背景帧的所有像素的亮度分量V值和饱和度分量S值取均值。根据经验值设置背景模型的初始化的权值
Figure 316907DEST_PATH_IMAGE014
和方差
Figure 877201DEST_PATH_IMAGE015
 ，初始化的权值
Figure 445586DEST_PATH_IMAGE014
要尽量小，如0.001，方差要较大些，如=15，将方差设置大些，可有尽可能多的像素包含到一个模型里面，从而获得最有可能的模型，这样在不影响精确度的情况下，系统的开销也会降低。再将当前帧跟背景帧相差分（S202），对前景帧进行二值化处理（S203），对二值化处理后的前景帧进行去除阴影和噪声、并进行形态学滤波处理（S204）。然后，引入更新因子
Figure 606626DEST_PATH_IMAGE001
来更新进行形态学滤波处理后得到的混合高斯背景模型（S205），用更新因子
Figure 959110DEST_PATH_IMAGE001
分别对饱和度分量S和亮度分量V进行更新。更新时引入更新因子
Figure 698396DEST_PATH_IMAGE016
，更新因子是关于
Figure 884844DEST_PATH_IMAGE017
的单调递增的函数，其中
Figure 154151DEST_PATH_IMAGE018
是像素点的坐标，为该像素点持续落在第个高斯分布上的次数。分别对亮度分量V的混合高斯背景模型和饱和度分量S的混合高斯背景模型的权值、均值和方差均进行更新，其中： 
权值更新：
Figure 479456DEST_PATH_IMAGE019
                                                        
均值更新：
Figure 868849DEST_PATH_IMAGE020
                  
方差更新：
Figure 153200DEST_PATH_IMAGE021
  
其中：
Figure 362464DEST_PATH_IMAGE022
是
Figure 390463DEST_PATH_IMAGE002
时刻第
Figure 634363DEST_PATH_IMAGE007
个高斯分布的权重；
Figure 89615DEST_PATH_IMAGE023
是t-1时刻第
Figure 51755DEST_PATH_IMAGE007
个高斯分布的权重；
Figure 680182DEST_PATH_IMAGE024
为权值更新率；
为更新因子；
Figure 404741DEST_PATH_IMAGE025
是等于1或0的参数，当像素值符合第
Figure 526281DEST_PATH_IMAGE011
个高斯分布时，，若不符合，则
Figure 114574DEST_PATH_IMAGE027
；
Figure 973946DEST_PATH_IMAGE028
是
Figure 582782DEST_PATH_IMAGE002
时刻第个高斯分布的均值；
Figure 563693DEST_PATH_IMAGE029
 是t-1时刻第
Figure 593966DEST_PATH_IMAGE011
个高斯分布的均值；
Figure 690098DEST_PATH_IMAGE030
为参数更新率，取值范围为（0,1）；
Figure 464019DEST_PATH_IMAGE031
，
Figure 594786DEST_PATH_IMAGE024
为权值更新率，是
Figure 113809DEST_PATH_IMAGE033
时刻的第
Figure 691421DEST_PATH_IMAGE007
个高斯分布，
Figure 739011DEST_PATH_IMAGE034
为t-1时刻第
Figure 48770DEST_PATH_IMAGE011
个高斯分布的标准差；
Figure 916232DEST_PATH_IMAGE035
 是
Figure 969639DEST_PATH_IMAGE002
时刻像素点值；
 是
Figure 414712DEST_PATH_IMAGE002
时刻第
Figure 35049DEST_PATH_IMAGE011
个高斯分布的方差 ；
是t-1时刻第个高斯分布的方差。
 对权值、均值和方差均更新后，对更新后的高斯分布的权值进行归一化：
Figure 362629DEST_PATH_IMAGE038
Figure 142366DEST_PATH_IMAGE039
，K是K个混合高斯分布，K值一般取3到5之间； 这样，得到了更新的混合高斯背景模型。
对混合高斯背景模型更新后，利用Jeffrey值判断运动目标（S206），Jeffrey值是常用的高斯分布距离参数之一，用来进行高斯分布的比较，运动目标检测具体包括：
通过计算将要进行匹配的目标像素点
Figure 599892DEST_PATH_IMAGE003
与更新后的混合高斯背景模型中的每一个分布的Jeffrey值进行比较，Jeffrey值由下面公式获得：
其中：
Figure 361360DEST_PATH_IMAGE009
，
Figure 628394DEST_PATH_IMAGE010
为第
Figure 889611DEST_PATH_IMAGE011
个像素的均值和方差。
然后，定义饱和度分量S和亮度分量V的最小Jeffrey值： 
Figure 558490DEST_PATH_IMAGE040
；                   
Figure 614170DEST_PATH_IMAGE041
；                          
其中，
Figure 368500DEST_PATH_IMAGE042
为t时刻第
Figure 433408DEST_PATH_IMAGE011
个高斯分布，是关于饱和度分量S的最小J值，为t时刻第
Figure 487317DEST_PATH_IMAGE011
个高斯分布；
Figure 28020DEST_PATH_IMAGE043
是关于饱和度分量S的J值；
Figure 491666DEST_PATH_IMAGE045
为t时刻第i个高斯分布，
Figure 217045DEST_PATH_IMAGE043
关于亮度分量V的最小J值，
Figure 680388DEST_PATH_IMAGE046
为t时刻第
Figure 87098DEST_PATH_IMAGE011
i个高斯分布，
Figure 319497DEST_PATH_IMAGE043
是关于亮度分量V的最小J值。
取已经存在的K个混合高斯分布中Jeffrey值最小的分布，并设定阈值为
Figure 153460DEST_PATH_IMAGE006
，本发明在智能交通场景中取阈值
Figure 166416DEST_PATH_IMAGE006
=0.7。 
通过比较判断出该目标像素点
Figure 48921DEST_PATH_IMAGE003
是否属于已经存在混合高斯分布中的一个，目标像素点
Figure 463722DEST_PATH_IMAGE003
是否属于前景点、背景点的判断条件如下：      
Figure 406270DEST_PATH_IMAGE048
   ，
其中：a是根据经验值选定的系数，取值范围（0~1），本发明在智能交通场景中可以为取值0.5，通过设置a的值来控制饱和度分量S和亮度分量V的比例。也就是说只有当
Figure 592718DEST_PATH_IMAGE005
小于阈值=0.7时，才认为像素点
Figure 37792DEST_PATH_IMAGE003
和第
Figure 963022DEST_PATH_IMAGE007
个高斯分布匹配，
Figure 249647DEST_PATH_IMAGE003
为前景点。

Claims (2)

1.一种智能交通监控中车辆和行人的目标检测方法，其特征是依次采用如下步骤：
（1）通过CCD摄像机采集视频帧，对视频帧序列进行背景模型的初始化，独立建立饱和度分量S和亮度分量V的混合高斯背景分量模型，将视频帧序列中的背景帧的所有像素的亮度分量V值和饱和度分量S值取均值；
（2）将视频帧序列中的当前帧跟背景帧相差分，对前景帧进行二值化处理后再去除阴影和噪声并进行形态学滤波；
（3）用更新因子                                               更新进行形态学滤波处理后得到的混合高斯背景模型的饱和度分量S和亮度分量V的权值、均值和方差，并对更新后的权值归一化；
（4）将要进行匹配的
Figure 2011103009150100001DEST_PATH_IMAGE004
时刻运动目标的像素点
Figure 2011103009150100001DEST_PATH_IMAGE006
值与更新后的混合高斯背景模型中的每一个分布的Jeffrey值进行比较，利用Jeffrey值判断运动目标的像素点
Figure 197415DEST_PATH_IMAGE006
是否属于前景点， 若小于阈值
Figure 2011103009150100001DEST_PATH_IMAGE010
=0.7时，则该像素点
Figure 843160DEST_PATH_IMAGE006
和第个高斯分布匹配，为前景点；其中，a取值范围是0~1，Jeffrey值是：，
Figure 2011103009150100001DEST_PATH_IMAGE016
和
Figure 2011103009150100001DEST_PATH_IMAGE018
分别是第个像素的均值和方差；
Figure 2011103009150100001DEST_PATH_IMAGE022
和
Figure 2011103009150100001DEST_PATH_IMAGE024
分别是饱和度分量S和亮度分量V的最小Jeffrey值。
2.根据权利要求1所述的目标检测方法，其特征是：
权值更新：
Figure 2011103009150100001DEST_PATH_IMAGE026
；                        
均值更新：
Figure 2011103009150100001DEST_PATH_IMAGE028
；                  
方差更新：
Figure 2011103009150100001DEST_PATH_IMAGE030
；
其中：
Figure 2011103009150100001DEST_PATH_IMAGE032
是
Figure 529094DEST_PATH_IMAGE004
时刻第
Figure 514368DEST_PATH_IMAGE012
个高斯分布的权重；
Figure 2011103009150100001DEST_PATH_IMAGE034
是t-1时刻第
Figure 886443DEST_PATH_IMAGE012
个高斯分布的权重；
Figure 2011103009150100001DEST_PATH_IMAGE036
为权值更新率；
Figure 19484DEST_PATH_IMAGE002
为更新因子；当像素值符合第
Figure 72891DEST_PATH_IMAGE020
个高斯分布时
Figure 2011103009150100001DEST_PATH_IMAGE038
，反之则
Figure 2011103009150100001DEST_PATH_IMAGE040
；
Figure 2011103009150100001DEST_PATH_IMAGE042
是
Figure 37305DEST_PATH_IMAGE004
时刻第
Figure 517965DEST_PATH_IMAGE020
个高斯分布的均值；
Figure 2011103009150100001DEST_PATH_IMAGE044
 是t-1时刻第
Figure 872723DEST_PATH_IMAGE020
个高斯分布的均值；
Figure 2011103009150100001DEST_PATH_IMAGE046
取值范围为（0,1）；
Figure 2011103009150100001DEST_PATH_IMAGE048
，
Figure 854454DEST_PATH_IMAGE036
为权值更新率，
Figure 2011103009150100001DEST_PATH_IMAGE050
是
Figure 548741DEST_PATH_IMAGE004
时刻的第
Figure 262619DEST_PATH_IMAGE012
个高斯分布，
Figure 2011103009150100001DEST_PATH_IMAGE052
为t-1时刻第个高斯分布的标准差；
Figure 2011103009150100001DEST_PATH_IMAGE054
 是
Figure 827778DEST_PATH_IMAGE004
时刻第
Figure 376571DEST_PATH_IMAGE020
个高斯分布的方差 ；
Figure 2011103009150100001DEST_PATH_IMAGE056
是t-1时刻第
Figure 526930DEST_PATH_IMAGE020
个高斯分布的方差。
CN201110300915A 2011-10-09 2011-10-09 一种智能交通监控中车辆和行人的目标检测方法 Pending CN102332167A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201110300915A CN102332167A (zh) 2011-10-09 2011-10-09 一种智能交通监控中车辆和行人的目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110300915A CN102332167A (zh) 2011-10-09 2011-10-09 一种智能交通监控中车辆和行人的目标检测方法

Publications (1)

Publication Number Publication Date
CN102332167A true CN102332167A (zh) 2012-01-25

Family

ID=45483930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110300915A Pending CN102332167A (zh) 2011-10-09 2011-10-09 一种智能交通监控中车辆和行人的目标检测方法

Country Status (1)

Country Link
CN (1) CN102332167A (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106796A (zh) * 2013-01-15 2013-05-15 江苏大学 智能交通监控系统中的车辆检测方法和装置
CN103886607A (zh) * 2014-01-24 2014-06-25 清华大学深圳研究生院 一种针对扰动目标的检测及抑制方法
CN105509010A (zh) * 2016-02-04 2016-04-20 张宏业 一种led路灯自适应控制方法
CN105552745A (zh) * 2016-02-04 2016-05-04 邢丽丽 一种分布式太阳能并网控制箱
CN105611674A (zh) * 2016-02-04 2016-05-25 张宏业 Led路灯自适应控制柜
CN105633815A (zh) * 2016-02-04 2016-06-01 弓保成 一种用于基站自适应控制方法
CN105742977A (zh) * 2016-02-04 2016-07-06 弓保成 用于基站自适应控制的配电柜
CN105844910A (zh) * 2016-02-04 2016-08-10 邢丽丽 一种配电自动化站用电交流控制箱
CN105844909A (zh) * 2016-02-04 2016-08-10 彭冬青 防触电配电箱
CN105844918A (zh) * 2016-02-04 2016-08-10 邢丽丽 一种多功能配电控制箱
CN105844908A (zh) * 2016-02-04 2016-08-10 弓保成 防雷配电柜
CN106940784A (zh) * 2016-12-26 2017-07-11 无锡高新兴智能交通技术有限公司 一种基于视频的公交车检测与识别方法及系统
CN107833185A (zh) * 2017-10-13 2018-03-23 西安天和防务技术股份有限公司 图像去雾方法及装置、存储介质、电子设备
CN107945212A (zh) * 2017-11-29 2018-04-20 中国人民解放军火箭军工程大学 基于惯导信息辅助和背景差分法的红外弱小移动目标检测方法
CN108195291A (zh) * 2018-01-03 2018-06-22 中山大学 一种基于差分光斑的运动车辆三维检测方法及检测装置
CN108780508A (zh) * 2016-03-11 2018-11-09 高通股份有限公司 用于归一化图像的系统和方法
CN110765979A (zh) * 2019-11-05 2020-02-07 中国计量大学 一种基于背景建模与光控的智能led庭院灯
CN111050085A (zh) * 2019-11-25 2020-04-21 上海芯歌智能科技有限公司 3d轮廓相机环境背光消除系统与方法
CN111432286A (zh) * 2019-12-31 2020-07-17 杭州海康威视数字技术股份有限公司 视频处理的方法、装置和系统
CN111709344A (zh) * 2020-06-09 2020-09-25 上海海事大学 一种基于高斯混合模型的epll图像去光照识别处理方法
CN112184759A (zh) * 2020-09-18 2021-01-05 深圳市国鑫恒运信息安全有限公司 一种基于视频的运动目标检测与跟踪方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916447A (zh) * 2010-07-29 2010-12-15 江苏大学 一种鲁棒的运动目标检测与跟踪图像处理系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916447A (zh) * 2010-07-29 2010-12-15 江苏大学 一种鲁棒的运动目标检测与跟踪图像处理系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
IOANNIS PAVLIDIS ET AL: "Urban Surveillance Systems: From the Laboratory to the Commercial World", 《PROCEEDINGS OF THE IEEE》 *
XUEHUA SONG ET AL: "Detection and Identification in the Intelligent Traffic Video Monitoring System for Pedestrians and Vehicles", 《THE 7TH CONFERENCE ON NETWORKED COMPUTING AND ADVANCED INFORMATION MANAGEMENT》 *
张建军 等: "基于视频的运动目标检测与识别", 《现代电子技术》 *
陈祖爵 等: "基于改进的混合高斯模型的运动目标检测", 《中国图象图形学报》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106796A (zh) * 2013-01-15 2013-05-15 江苏大学 智能交通监控系统中的车辆检测方法和装置
CN103886607B (zh) * 2014-01-24 2016-08-17 清华大学深圳研究生院 一种针对扰动目标的检测及抑制方法
CN103886607A (zh) * 2014-01-24 2014-06-25 清华大学深圳研究生院 一种针对扰动目标的检测及抑制方法
CN105633815B (zh) * 2016-02-04 2017-11-17 江苏方兴电控设备有限公司 一种用于基站自适应控制方法
CN105844908A (zh) * 2016-02-04 2016-08-10 弓保成 防雷配电柜
CN105633815A (zh) * 2016-02-04 2016-06-01 弓保成 一种用于基站自适应控制方法
CN105742977A (zh) * 2016-02-04 2016-07-06 弓保成 用于基站自适应控制的配电柜
CN105844910A (zh) * 2016-02-04 2016-08-10 邢丽丽 一种配电自动化站用电交流控制箱
CN105844909A (zh) * 2016-02-04 2016-08-10 彭冬青 防触电配电箱
CN105844918A (zh) * 2016-02-04 2016-08-10 邢丽丽 一种多功能配电控制箱
CN105611674A (zh) * 2016-02-04 2016-05-25 张宏业 Led路灯自适应控制柜
CN105552745A (zh) * 2016-02-04 2016-05-04 邢丽丽 一种分布式太阳能并网控制箱
CN105509010A (zh) * 2016-02-04 2016-04-20 张宏业 一种led路灯自适应控制方法
CN107240870A (zh) * 2016-02-04 2017-10-10 弓保成 一种用于基站自适应控制的配电柜
CN108780508A (zh) * 2016-03-11 2018-11-09 高通股份有限公司 用于归一化图像的系统和方法
CN106940784A (zh) * 2016-12-26 2017-07-11 无锡高新兴智能交通技术有限公司 一种基于视频的公交车检测与识别方法及系统
CN107833185A (zh) * 2017-10-13 2018-03-23 西安天和防务技术股份有限公司 图像去雾方法及装置、存储介质、电子设备
CN107833185B (zh) * 2017-10-13 2020-10-02 西安天和防务技术股份有限公司 图像去雾方法及装置、存储介质、电子设备
CN107945212A (zh) * 2017-11-29 2018-04-20 中国人民解放军火箭军工程大学 基于惯导信息辅助和背景差分法的红外弱小移动目标检测方法
CN108195291B (zh) * 2018-01-03 2020-05-05 中山大学 一种基于差分光斑的运动车辆三维检测方法及检测装置
CN108195291A (zh) * 2018-01-03 2018-06-22 中山大学 一种基于差分光斑的运动车辆三维检测方法及检测装置
CN110765979A (zh) * 2019-11-05 2020-02-07 中国计量大学 一种基于背景建模与光控的智能led庭院灯
CN111050085A (zh) * 2019-11-25 2020-04-21 上海芯歌智能科技有限公司 3d轮廓相机环境背光消除系统与方法
CN111050085B (zh) * 2019-11-25 2020-12-29 上海芯歌智能科技有限公司 3d轮廓相机环境背光消除系统与方法
CN111432286A (zh) * 2019-12-31 2020-07-17 杭州海康威视数字技术股份有限公司 视频处理的方法、装置和系统
CN111432286B (zh) * 2019-12-31 2022-05-20 杭州海康威视数字技术股份有限公司 视频处理的方法、装置和系统
CN111709344A (zh) * 2020-06-09 2020-09-25 上海海事大学 一种基于高斯混合模型的epll图像去光照识别处理方法
CN111709344B (zh) * 2020-06-09 2023-10-17 上海海事大学 一种基于高斯混合模型的epll图像去光照识别处理方法
CN112184759A (zh) * 2020-09-18 2021-01-05 深圳市国鑫恒运信息安全有限公司 一种基于视频的运动目标检测与跟踪方法及系统

Similar Documents

Publication Publication Date Title
CN102332167A (zh) 一种智能交通监控中车辆和行人的目标检测方法
CN100579174C (zh) 一种运动检测方法和装置
Sen-Ching et al. Robust techniques for background subtraction in urban traffic video
CN102568005B (zh) 一种基于混合高斯模型的运动目标检测方法
CN101826228B (zh) 基于背景估计的公交乘客运动目标检测方法
US11700457B2 (en) Flicker mitigation via image signal processing
CN103871079A (zh) 基于机器学习和光流的车辆跟踪方法
CN106204586B (zh) 一种基于跟踪的复杂场景下的运动目标检测方法
WO2010124062A1 (en) System and method for motion detection in a surveillance video
CN102034240A (zh) 一种静态前景检测和跟踪方法
CN102663362B (zh) 一种基于灰度特征的运动目标检测方法
CN105354791A (zh) 一种改进的自适应混合高斯前景检测方法
WO2023273011A1 (zh) 高空抛物检测方法和装置、设备，及计算机存储介质
CN104835145A (zh) 基于自适应Codebook背景模型的前景检测方法
US20210350705A1 (en) Deep-learning-based driving assistance system and method thereof
CN105046719A (zh) 一种视频监控方法及系统
CN103473547A (zh) 一种用于智能交通检测系统的车辆目标物识别算法
CN104766079A (zh) 一种远距离红外弱小目标检测方法
CN105740835A (zh) 夜视环境下基于车载相机的前方车辆检测方法
KR101026778B1 (ko) 차량 영상 검지 장치
CN103400395A (zh) 一种基于haar特征检测的光流跟踪方法
CN108446581B (zh) 一种恶劣环境中的无人机检测方法
CN107729811B (zh) 一种基于场景建模的夜间火焰检测方法
CN113902694A (zh) 一种基于动静结合的目标检测方法
Nikolov et al. Motion detection using adaptive temporal averaging method

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20120125