导读:本文包含了阴影检测与消除论文开题报告文献综述及选题提纲参考文献，主要关键词:混合高斯模型,PBAS运动目标检测,图像分割,区域增长
阴影检测与消除论文文献综述
郑超[1]（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）
朱尧[2]（2017）在《时空一致的视频阴影检测与消除研究》一文中研究指出阴影是自然界和生活中一种常见的现象,对许多计算机视觉任务如目标跟踪与识别、图像视频的分割与本征分解等会产生不利的影响。视频阴影消除旨在检测视频中准确的阴影区域同时恢复这些区域在正常光照下的场景信息,并保持视频的时空连续性,是计算机视觉、计算机图形学一个重要的研究课题。视频阴影消除在影视后期处理、视觉算法性能优化,视频中目标的识别与跟踪、视频内容编辑等领域有着重要的应用价值。视频阴影的检测与消除同时也是一个具有挑战性的研究课题。首先,视频中阴影的构成复杂多样。视频中既可能存在运动的阴影又可能存在相对摄像机静止的阴影,阴影的形态也可能各不相同,这对视频阴影的检测构成了挑战。其次,摄像机可能存在平移和旋转等复杂运动,传统的基于背景建模的方法通常不能处理摄像机运动的情况,运动的摄像机也为阴影消除后的视频时空一致性的保持带来困难。最后,阴影边界处由于光照变化剧烈,纹理细节丢失严重,如何使得消除后阴影边界处过渡平滑自然仍然是一个十分具有挑战性的问题。围绕上述问题,本文对视频阴影的检测与消除展开了较为系统的研究。首先,本文利用一种基于快速抠图的交互式方法检测出视频中准确的阴影区域。基于阴影检测的结果,将视频的每一帧分解成一系列重迭的二维图像块,通过运动场引导的一致性的块匹配方法找到阴影区域与非阴影区域之间的对应关系。然后,本文通过光照迁移优化的方法消除视频中的阴影并恢复其在正常光照下的信息。最后,我们对阴影的边界进行处理得到时空一致的阴影消除后的视频结果。本文的研究内容及主要贡献为:(1)提出一种基于抠图的交互式视频阴影检测方法,该方法可以同时检测视频中静止和运动的阴影,对复杂视频阴影场景均能得到较好的检测结果。(2)提出了一种运动场引导下的一致性块匹配方法,根据图像块之间的相似性度量,可有效计算出视频中阴影区域和非阴影区域图像块之间的对应关系。(3)提出一种基于光照迁移优化的视频阴影消除算法,同时我们提出一种视频阴影边界处理方法,使得阴影消除后的结果在阴影边界处过渡自然,在去除视频中阴影的同时保持了较好的时空一致性。本文的研究内容均围绕着视频的阴影检测与消除展开,形成了初步的视频阴影检测与消除系统。此外,我们通过对不同视频类场景的实验验证了本文算法的有效性,并将本文算法应用到视频颜色迁移中。本文的算法可以应用到视频的编辑、虚拟与增强现实等领域中。(本文来源于《武汉大学》期刊2017-05-01）
童伟[3]（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[4]（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）
张峰[5]（2015）在《复杂背景下基于分层码本模型的运动目标检测与阴影消除》一文中研究指出背景差分法是解决运动目标检测问题最常用的方法，该技术的关键在于背景模型的描述、背景初始化和更新。针对前人的研究成果，本文分析和归纳了基于背景建模的方法在运动目标检测中的发展和应用，为在复杂背景下基于背景建模的运动目标检测的进一步讨论奠定了基础。本文从理论知识和算法实现上对混合高斯和ViBe两种经典背景建模方法进行了详细地讨论，深入分析了它们在含有随机噪声、不规则运动、镜头抖动、动态场景和阴影五种复杂背景的前景检测效果，指出这些方法远没有完全解决复杂背景下的运动目标检测问题。为了解决该问题，本文在经典码本模型的基础上重新设计了码本描述子，并实现了基于分层码本模型的运动目标检测算法。实验部分验证了分层码本描述子能够有效应对复杂背景，对上文提到的复杂背景的影响有较好的抑制效果；对比数据分析也表明本文方法比上述两种背景建模方法得到了较高的检测率和较低的误检率。此外，本文在探讨了复杂背景下的运动目标检测问题的基础上，还给出了一种在YCbCr颜色空间下基于色度的阴影消除方法，其中目标检测阶段采用分层建模与检测技术分离出含有阴影的运动区域并实时更新背景模型，从永久背景模型中提取背景图像并采用基于色度的阴影检测方法消除阴影，避免了在阴影检测与消除中使用固定背景的问题。在公开测试集上的实验结果表明，该方法能有效地适应背景的动态变化，对复杂环境中的前景目标检测与阴影消除有较好的效果。(本文来源于《武汉科技大学》期刊2015-05-19）
桂斌[6]（2015）在《基于ViBe的运动目标检测与阴影消除方法研究》一文中研究指出智能化监控系统不仅为当今社会提供了一种必不可少的安全保障,而且在交通等领域也发挥着越来越重要的作用。智能监控系统的普及和优化离不开它的核心技术—计算机视觉处理技术,通常实现智能化监控系统的第一步就是检测出监控视频中的运动目标,所以运动目标检测技术在视频监控系统中发挥了基础性的作用。常见的前景检测方法有基于背景减除和基于时间差分等技术,这些目标检测技术虽然能较好的检测出运动目标,但也会遇到一系列问题,比如怎样适应动态背景的变化、怎样消除鬼影、怎样去除运动目标的阴影等,这些是很多目标检测方法都需要解决的问题。本文主要研究基于ViBe的目标检测算法,并对上述问题给予方法改进,主要工作内容如下：首先,本文简单的介绍了当前最为常用的经典前景检测算法,主要有背景减除、帧间差分及光流法这叁大类算法,重点叙述了这叁类目标检测算法的基本原理,分析了它们各自的优势和不足,通过学习这叁类常用的目标检测算法作为理论依据,为研究本文的运动目标检测算法奠定基础。其次,重点学习和研究了一种比较新的背景建模方法ViBe算法。对经典ViBe前景检测算法进行了深入的研究和探索,并分析出ViBe算法几个迫切需要改进的地方如：易出现Ghost区域；易受到光照变化、树叶扰动等动态背景的影响；无法抑制运动目标的阴影。然后,针对ViBe算法的这几点不足本文分别提出相应的改进思路和方法。针对Ghost区域问题提出改进ViBe背景模型初始化方法,运用叁帧差分法思想得到准确的背景图像,结合ViBe算法检测运动目标可以迅速地消除Ghost区域；针对动态背景对前景检测的影响,提出了一种自适应阈值计算方法,使得匹配阈值R可以根据背景的动态变化自行调整,减少动态背景对算法的影响；最后运用数学形态学方法进一步改善前景检测结果。与传统ViBe算法和常用目标检测算法相比,实验结果验证改进后的算法检测的运动目标要更加准确。再次,研究了消除运动目标阴影的方法,介绍了基于颜色空间的几类阴影消除算法,主要有基于RGB颜色空间及颜色空间转换的阴影消除方法。接下来本文提出了一种阴影消除方法,首先在RGB颜色空间下初步检测出前景像素中的阴影,得到候选的阴影像素集合；再进一步确认其中哪些是阴影像素,利用的是两种阴影判别方法：一是根据C1C2C3空间中阴影的颜色不变特征,二是HSV颜色空间阴影判别方法,然后消除这两种方法都判定为阴影的像素,最终得到准确的前景目标。(本文来源于《安徽大学》期刊2015-03-01）
林亚斌,贾贵刚,李莲[7]（2014）在《高分遥感影像阴影检测与消除方法》一文中研究指出为了精准地从高分遥感影像提取植被信息,需要消除遥感影像阴影。本文提出一种高分遥感影像波段最优组合阴影检测与基于颜色恒常的阴影消除技术,从而避免了阴影对提取植被信息的影响。采用覆盖城区QuickBird影像进行试验,结果表明,本文方法既能检测阴影,也能消除高分遥感影像阴影,是一种实用的遥感影像阴影处理方法。(本文来源于《测绘与空间地理信息》期刊2014年08期）
董绍雄[8]（2014）在《基于视频序列的运动目标检测与阴影消除研究》一文中研究指出基于视频序列的运动目标分析技术被广泛应用到智能视频监控、地形匹配、图像导航制导、人体运动细节分析、人工智能等领域。其中运动目标检测是运动目标分析技术的最底层，属于基础性工作，准确的从视频图像中提取出完整的运动目标是后续视频图像运动分析能否顺利进行的关键。国内外研究人员对运动目标检测的相关技术做了很多详细而深入的研究，并取得了许多效果不错的方法。运动目标检测技术的各种实现算法是目前研究人员重点关注的研究内容之一。首先，本文阐述了课题的研究背景和意义，并对相关领域研究的现状和发展趋势进行了综述。对运动目标分析技术的整个流程做了概述，重点介绍了目标检测、阴影的检测和消除、图像噪声消除等相关算法。其次，本文重点对基于背景建模的目标检测算法进行了分析研究，试图从中发现问题并提出改进方法。对于背景模型的直接提取法、统计平均法、W4背景建模法、单高斯背景建模法以及混合高斯背景建模法进行了分析研究。传统混合高斯背景模型初始化背景帧时要求背景场景中没有运动物体，否则往往会把运动的物体放入到背景模型中，针对这一弊端，本文在背景帧初始化时使用中值滤波法，实现即使在背景场景中存在运动物体时也可以准确的获取初始帧。传统混合高斯背景模型更新时，模型参数均值和方差的更新系数都取同一个值，这样会导致背景模型的收敛性和稳定性得不到满足，本文也提出了一种改进方法。在混合高斯背景模型的训练初期，新方法让均值和方差的更新率都取较大值，这样使得模型均值和方差更新速度变快，使得模型学习速度加快，快速得到与真实背景相符的背景模型；在以较大更新率训练一段时间以后，让均值更新率不变，方差更新率变得较小，这样背景模型就不会有太大的波动，稳定性能更好。最后，因为阴影属性和背景属性的差别以及阴影和运动目标有相同的运动特性，在目标检测过程中，阴影总会伴随着运动目标。本文对基于统计、色彩特征不变量、颜色模型的阴影消除方法进行了分析研究，针对HSV色彩空间的阴影消除算法能准确消除阴影但是计算量大的问题，提出一种改进方法，能够减小计算量，提高实时性，经过实验验证能够有效的消除阴影。(本文来源于《西华大学》期刊2014-03-01）
李鸿[9]（2013）在《基于混合高斯模型的运动检测及阴影消除算法研究》一文中研究指出在智能视频领域中，运动目标的检测与识别是非常重要的技术，也是对运动目标作后续处理（如目标编码、目标识别、目标跟踪、目标分类、行为理解等）的基础。作为一种经典有效的运动检测算法，混合高斯模型算法得到了广泛的研究与应用，然而该算法在目标停滞的情况下会导致目标漏检；同时，在检测运动目标时，目标的阴影也容易被误检测为运动目标的一部分，影响了对目标的精确提取，为此人们提出了大量阴影消除算法，但是这些算法一般都受场景限制，不能很好的适用于多种场合。本文的研究目的是提高混合高斯模型算法对运动目标的检测效果，并且改善阴影消除算法的适用性，主要工作如下：1、提出一种基于改进混合高斯模型的目标检测算法。在运动目标停滞的情况下，传统的混合高斯模型会将运动目标误判为背景，导致目标漏检。为了解决该问题，本文提出了一种基于改进混合高斯模型的目标检测算法。该算法引入背景学习参数，结合前一帧的检测结果自适应地更新背景，能够提取出完整的运动目标；同时利用像素的八连通区域信息抑制噪声，从而提高算法在复杂环境中的稳定性。实验结果表明，同传统检测方法相比，本文提出的算法能够在复杂环境中准确地检测出短暂停滞的运动目标，是一种有效的目标检测方法。2、提出一种结合YCbCr颜色空间和混合高斯模型的阴影去除算法。在该算法中，首先利用混合高斯模型提取出运动区域；然后通过分析运动区域的前景和背景在YCbCr颜色空间的差值统计特性，建立混合高斯阴影模型；最后根据高斯分布的概率分布规律，得到阴影分布特性，从而实现对阴影的去除。对于实验中的序列图像，该算法有70%以上的阴影检测率。实验结果表明，文中方法能够在不同的场合快速有效地去除阴影，准确地提取运动目标。(本文来源于《中国民航大学》期刊2013-03-20）
黄进,金炜东,秦娜,周艳,刘景波[10]（2013）在《消除阴影和高亮噪声的双梯柱体码本前景检测模型》一文中研究指出为解决智能视觉监控中前景检测存在阴影和高亮噪声影响的问题,提出一种双梯柱体码本(DTCC)前景检测模型。首先,根据阴影与背景相比亮度较低且色度不同的特点,将模型下部构造成正立的梯柱体阴影检测区;随后,根据高亮噪声与背景相比亮度较高、色度不同的特点,将模型上部构造成倒立的梯柱体高亮噪声检测区域;最后,模型中部采用圆柱体构造成主体背景区域,最终形成DTCC模型。实验结果表明:DTCC模型具有更高的实时性,平均帧率约为15.61帧/s,比iGMM模型、CBM模型和HC3模型的帧率分别高出76.05%、24.60%和41.09%;具有更优的阴影和高亮噪声消除性能,平均阴影和高亮噪声消除率分别约为70.61%和83.41%,均高于对比模型。(本文来源于《西安交通大学学报》期刊2013年04期）
阴影检测与消除论文开题报告
（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：
阴影是自然界和生活中一种常见的现象,对许多计算机视觉任务如目标跟踪与识别、图像视频的分割与本征分解等会产生不利的影响。视频阴影消除旨在检测视频中准确的阴影区域同时恢复这些区域在正常光照下的场景信息,并保持视频的时空连续性,是计算机视觉、计算机图形学一个重要的研究课题。视频阴影消除在影视后期处理、视觉算法性能优化,视频中目标的识别与跟踪、视频内容编辑等领域有着重要的应用价值。视频阴影的检测与消除同时也是一个具有挑战性的研究课题。首先,视频中阴影的构成复杂多样。视频中既可能存在运动的阴影又可能存在相对摄像机静止的阴影,阴影的形态也可能各不相同,这对视频阴影的检测构成了挑战。其次,摄像机可能存在平移和旋转等复杂运动,传统的基于背景建模的方法通常不能处理摄像机运动的情况,运动的摄像机也为阴影消除后的视频时空一致性的保持带来困难。最后,阴影边界处由于光照变化剧烈,纹理细节丢失严重,如何使得消除后阴影边界处过渡平滑自然仍然是一个十分具有挑战性的问题。围绕上述问题,本文对视频阴影的检测与消除展开了较为系统的研究。首先,本文利用一种基于快速抠图的交互式方法检测出视频中准确的阴影区域。基于阴影检测的结果,将视频的每一帧分解成一系列重迭的二维图像块,通过运动场引导的一致性的块匹配方法找到阴影区域与非阴影区域之间的对应关系。然后,本文通过光照迁移优化的方法消除视频中的阴影并恢复其在正常光照下的信息。最后,我们对阴影的边界进行处理得到时空一致的阴影消除后的视频结果。本文的研究内容及主要贡献为:(1)提出一种基于抠图的交互式视频阴影检测方法,该方法可以同时检测视频中静止和运动的阴影,对复杂视频阴影场景均能得到较好的检测结果。(2)提出了一种运动场引导下的一致性块匹配方法,根据图像块之间的相似性度量,可有效计算出视频中阴影区域和非阴影区域图像块之间的对应关系。(3)提出一种基于光照迁移优化的视频阴影消除算法,同时我们提出一种视频阴影边界处理方法,使得阴影消除后的结果在阴影边界处过渡自然,在去除视频中阴影的同时保持了较好的时空一致性。本文的研究内容均围绕着视频的阴影检测与消除展开,形成了初步的视频阴影检测与消除系统。此外,我们通过对不同视频类场景的实验验证了本文算法的有效性,并将本文算法应用到视频颜色迁移中。本文的算法可以应用到视频的编辑、虚拟与增强现实等领域中。
（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。
阴影检测与消除论文参考文献
[1].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
[2].朱尧.时空一致的视频阴影检测与消除研究[D].武汉大学.2017
[3].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
[4].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
[5].张峰.复杂背景下基于分层码本模型的运动目标检测与阴影消除[D].武汉科技大学.2015
[6].桂斌.基于ViBe的运动目标检测与阴影消除方法研究[D].安徽大学.2015
[7].林亚斌,贾贵刚,李莲.高分遥感影像阴影检测与消除方法[J].测绘与空间地理信息.2014
[8].董绍雄.基于视频序列的运动目标检测与阴影消除研究[D].西华大学.2014
[9].李鸿.基于混合高斯模型的运动检测及阴影消除算法研究[D].中国民航大学.2013
[10].黄进,金炜东,秦娜,周艳,刘景波.消除阴影和高亮噪声的双梯柱体码本前景检测模型[J].西安交通大学学报.2013
标签：混合高斯模型; PBAS运动目标检测; 图像分割; 区域增长;