关于动态背景下动态目标检测的特征点选取问题

千羽QY 2019-03-07 09:18:20

如题所说，怎么实现筛选后的特征点（角点）不在移动物体上？万分感谢！

...全文

194 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

作　　者：万卫兵等编著出版社：上海交通大学出版社出版时间：2010-1-1 本书系统介绍了智能视频监控中目标检测与识别的基本问题及其相关处理技术。主要内容包括智能视频监控的理论、算法和典型应用实例。包括计算机视觉基本理论、运动目标检测技术、运动目标跟踪和分类技术、运动的场景分析及行为理解技术。其中目标的检测与识别技术在资助的科研项目中有成熟可行的应用实例。本书内容由浅入深、循序渐进，着重于经典内容和最新进展的结合，并辅以较多的应用范例。上篇智能视频监控中目标检测与识别概论第1章绪论 1.1 智能视频监控概述 1.1.1 智能视频监控的发展 1.1.2 智能视频监控中的关键问题 1.2 智能视频监控的研究内容 1.2.1 智能视频监控的系统结构 1.2.2 智能视频监控的难题 1.3 研究现状与应用前景参考文献第2章计算机运动视觉相关理论 2.1 摄像机的标定 2.1.1 坐标系的变换 2.1.2 摄像机的标定 2.2 双目立体视觉 2.2.1 特征匹配关键技术 2.2.2 特征匹配算法分类与立体成像 2.3 运动视觉 2.3.1 运动视觉的研究内容 2.3.2 运动视觉处理框架 2.4 场景理解 2.4.1 场景理解认知框架 2.4.2 静态场景理解 2.4.3 动态场景理解参考文献第3章运动目标检测技术 3.1 运动目标检测概述 3.1.1 光流法 3.1.2 相邻帧差法 3.1.3 背景差法 3.1.4 边缘检测方法 3.1.5 其他重要的相关方法 3.2 视频监控中的背景建模 3.2.1 背景提取与更新算法概述 3.2.2 基于GMM的背景提取与更新算法 3.2.3 基于AKGMM的背景提取与更新算法 3.2.4 去除阴影 3.3 ROI面积缩减车辆检测搜索算法 3.3.1 改进的帧差法 3.3.2 图像的腐蚀与膨胀 3.3.3 车辆目标分割识别 3.3.4 实验结果与分析参考文献第4章运动目标跟踪技术 4.1 目标跟踪的分类 4.2 目标跟踪方法 4.2.1 基于特征的跟踪方法 4.2.2 基于3D的跟踪方法 4.2.3 基于主动轮廓的跟踪方法 4.2.4 基于运动估计的跟踪方法 4.3 粒子滤波器 4.3.1 离散贝叶斯滤波系统 4.3.2 蒙特卡洛采样(Monte Carlo Sampling) 4.3.3 贝叶斯重要性采样(Bayesian Importance Sampling) 4.3.4 序列化重要性采样(Sequential Importance Sampling) 4.3.5 粒子滤波(Particle Filte)一般算法描述 4.3.6 粒子数目N的选取 4.4 多视角目标跟踪 4.4.1 目标交接 4.4.2 多摄像机的协同 4.4.3 摄像机之间的数据通讯 4.4.4 多摄像机系统总体设计与集成参考文献第5章运动目标分类技术 5.1 目标分类方法 5.1.1 基于形状信息的分类 5.1.2 基于运动特性的分类 5.1.3 混合方法 5.2 分类的特征提取 5.2.1 视频图像的两种特征 5.2.2 分类特征选择 5.3 分类器构造 5.3.1 支持向量机理论 5.3.2 多类支持向量机 5.3.3 特征训练 5.4 训练和分类方案 5.4.1 静态图像训练分类模型 5.4.2 动态视频中运动对象的分类 5.4.3 训练和分类的实验结果参考文献第6章行为理解技术 6.1 行为理解的特征选择与运动表征 6.1.1 特征选择 6.1.2 运动表征 6.2 场景分析 6.2.1 场景结构 6.2.2 场景知识库的建立和更新 6.3 行为建模 6.3.1 目标描述 6.3.2 约束表达 6.3.3 分层的行为模型结构 6.4 行为识别 6.4.1 基于模板匹配方法 6.4.2 基于状态转移的图模型方法 6.4.3 行为识别的实现 6.5 高层行为与场景理解 6.6 行为理解存在的问题与发展趋势参考文献下篇智能视频监控应用实例第7章白天车辆检测实例 7.1 道路交通样本库的采集与组织 7.1.1 样本的采集 7.1.2 样本库元信息和组织 7.2 车辆检测系统结构设计 7.2.1 基于视频的车辆检测方法概述 7.2.2 虚拟线圈车辆检测法的算法流程 7.2.3 系统框图 7.3 背景重构 7.3.1 视频背景重构技术回顾 7.3.2 基于IMFKGMM的背景提取与更新算法 7.4 灰度空间阴影检测算法研究 7.4.1 彩色图像的灰度变换 7.4.2 算法原理 7.4.3 试验结果 7.5 虚拟线圈车辆检测法 7.5.1 数学形态学后处理与状态机 7.5.2 交通参数的测量第8章夜间车辆检测实例 8.1 夜间视频车辆检测系统框架 8.2 摄像机配置 8.2.1 摄像机安装和标定 8.2.2 车灯在路面上的投影与视野的设置 8.3 车灯提取配对跟踪算法 8.3.1 车灯提取与车灯形状特征 8.3.2 配对跟踪算法 8.3.3 交通参数计算与实验结果和分析第9章昼夜亮度变化及切换方法 9.1 离线亮度变化建模 9.1.1 交通视频亮度变化实例与S型曲线 9.1.2 离线曲线拟合 9.1.3 在线亮度变化识别 9.2 昼夜检测算法的切换方法 9.2.1 亮度模型分析与切换时间选取策略 9.2.2 过渡时段的切换方法 9.2.3 切换方法试验结果 9.3 仿真试验平台第10章距离测量实例 10.1 摄像机标定及距离测量 10.1.1 OpenCV中的标定方法 10.1.2 测距算法 10.2 实验与结果分析 10.2.1 内参数矩阵与场景无关性 10.2.2 标定平面上两点间距离测量 10.2.3 垂直于标定平面轴线上两点间距离测量 10.2.4 双视角同时标定，任意两点间距离测量第11章客流检测系统实例 11.1 视频图像采集与数据结果传输 11.1.1 视频图像采集系统设置 11.1.2 视频文件 11.1.3 数据结果的传输 11.2 基于背景检测的行人检测 11.2.1 背景分割 11.2.2 行人检测 11.3 基于blob检测的行人跟踪与计数策略 11.3.1 基于blob的跟踪方法 11.3.2 计数策略 11.4 算法的工程实现与实验结果

针对视觉背景提取ViBe算法消除鬼影时间长、对动态场景适应性弱、对光线变化敏感等问题，提出一种适应性强的改进算法。在背景模型初始化时，通过对多帧图像随机选取像素点并累加判断后，形成与实际吻合度达86.78%的背景模型；提出衡量背景动态程度因子，根据其值获取图像的自适应聚类、更新阈值，提高了算法在动态背景下的检测精度；考虑到光线变化对检测结果的影响，提出衡量图像亮度因子并应用于聚类检测，增强了算法对光照的鲁棒性。与其他算法进行对比实验后表明，改进算法在不同场景中能有效检测目标物体，具有较好的适应性。

课程目标掌握ElasticSearch的部署方法及应用，达到后端开发的技术要求适用人群大学生中学生初学者转业士兵有IT领域从业意愿的人群课程简介ElasticSearch是一款数据分析数据库+数据搜索引擎。课程以ElasticSearch7.x版本为例进行讲解，课程讲述了以下内容：在Linux系统下ElasticSearch的本地部署方法。在Linux系统下ElasticSearch对外服务的配置，常见问题及解决方法。如何在ElasticSearch建立索引，插入数据。如何在ElasticSearch更新和删除数据。如何在ElasticSearch简单搜索数据。如何在ElasticSearch完成复杂搜索及选取字段。

从视频中检测运动目标是智能视频监控应用中的一项关键技术.文中提出了一种基于区域的自适应背景更新及运动目标检测算法,首先使用高斯模型建立初始的静态背景图像,通过背景减法得到差值图像；然后使用自适应阈值对差值图像进行二值化,并利用形态学滤波和连通区域面积检测进行后处理,得到运动目标区域掩模；最后,根据运动目标区域掩模检测出运动目标,同时使用基于区域的自适应背景更新算法动态更新背景图像.实验结果表明,该算法能够自适应地对背景模型进行更新,对于背景的扰动、光线的渐变等带来的影响有很好的抑制作用,可以有效地检测出运动目标.

提出了复杂交通环境下一种新的运动车辆检测方法。基于背景差分获得运动图像，利用自适应阈值选取方法分别对差分图像的三个颜色通道进行二值化，从而实现运动目标的精确检测。根据检测结果，采用中值更新方法实现背景图像的实时更新。实验结果表明，这种基于改进动态阈值和自适应背景相结合的快速检测算法可以从复杂交通场景图像序列中快速有效地检测出运动目标，能够很好地满足智能交通监控系统中运动车辆实时检测的要求。

4,242

社区成员

940

社区内容

发帖

与我相关

我的任务

计算机视觉人工智能opencv 技术论坛（原bbs）广东省·深圳市

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

OpenCV中国团队官方博客：https://blog.csdn.net/opencvchina

试试用AI创作助手写篇文章吧

+ 用AI写文章