留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

针对运动摄像机的快速低存储开销运动目标检测算法

吴明军 许建铮 周桢 张亚涛

吴明军, 许建铮, 周桢, 张亚涛. 针对运动摄像机的快速低存储开销运动目标检测算法[J]. 红外与激光工程, 2013, 42(8): 2275-2280.
引用本文: 吴明军, 许建铮, 周桢, 张亚涛. 针对运动摄像机的快速低存储开销运动目标检测算法[J]. 红外与激光工程, 2013, 42(8): 2275-2280.
Wu Mingjun, Xu Jianzheng, Zhou Zhen, Zhang Yatao. Fast and memory-saving algorithm for moving object detection from a moving camera[J]. Infrared and Laser Engineering, 2013, 42(8): 2275-2280.
Citation: Wu Mingjun, Xu Jianzheng, Zhou Zhen, Zhang Yatao. Fast and memory-saving algorithm for moving object detection from a moving camera[J]. Infrared and Laser Engineering, 2013, 42(8): 2275-2280.

针对运动摄像机的快速低存储开销运动目标检测算法

基金项目: 

中国空空导弹研究院青年创新基金(CQKJJ00)

详细信息
    作者简介:

    吴明军(1984-),男,工程师,博士,主要从事目标检测、跟踪与模式识别方面的研究。Email:wumingjun@gmail.com

  • 中图分类号: TP391

Fast and memory-saving algorithm for moving object detection from a moving camera

  • 摘要: 摄像机的运动会导致整幅图像的运动,使得此情形下的目标检测极具挑战性。针对该问题提出一种快速低存储开销检测算法。首先,利用一种快速低存储开销配准方法计算相邻两帧的单应变换矩阵。而后,使用单应变换矩阵进行相邻两帧之间的配准,并由帧间差分获取帧间运动信息。最后,采用积累运动信息的方式构造不断更新的运动图像,通过对此运动图像进行阈值分割分离出最终的运动目标。在多个不同视频序列下的实验表明该算法能够有效地从嘈杂的场景中检测出运动目标。此外,与先前算法相比,该算法检测性能更好,且显著地降低了存储开销与计算时间开销。对于480360的序列而言,该算法需要的存储开销仅为825 kByte,且运算速度达到16帧/m。
  • [1] Elhabian S Y, El-Sayed K M, Ahmed S H. Moving object detection in spatial domain using background removal techniques-state-of-art[J]. Recent Patents on Computer Science, 2008, 1(1): 32-54.
    [2] Lu Zhimao, Liu Minghua, Liu Chen. Method for moving object detection based on construction of feature frames[J]. Infrared and Laser Engineering, 2012, 41(7): 1959-1963. (in Chinese)
    [3] Zhang Haojun, Chang Yong, Li Fanming, et al. Real-time embedded implementation of foreground/background segmentation algorithm[J]. Infrared and Laser Engineering, 2012, 41(2): 523-530. (in Chinese)
    [4] Stauffer C, Grimson W E L. Learning patterns of activity using real-time tracking[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence, 2000, 22(8): 747-757.
    [5] Rao N, Di H, Xu G. Joint correspondence and background modeling based on tree dynamic programming[C]//Proceedings of International Conference on Pattern Recognition, 2006: 425-428.
    [6] Kang J, Cohen I, Medioni G. Continuous tracking within and across camera streams[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2003: 267-272.
    [7] Yuan C, Medioni G, Kang J, Cohen I. Detecting motion regions in presence of strong parallex from a moving camera by multi-view geometric constraints[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence, 2007, 29(9): 1627-1641.
    [8] Yu Q, Medioni G. A GPU-based implementation of motion detection from a moving platform[C]//IEEE Workshop on Computer Vision on GPU, 2008: 1-6.
    [9] Reilly V, Idrees H, Shah M. Detection and tracking of large number of targets in wide area surveillance[C]//European Conference on Computer Vision, 2010.
    [10] Jin Ting, Zhou Fugen, Bai Xiangzhi. Moving object detection in airborne video using kernel density estimation[J]. Infrared and Laser Engineering, 2011, 40(1): 153-158. (in Chinese)
    [11] Yao F, Shao G, Sekmen A, ea tl. Real-time multiple moving targets detection from airborne IR imagery by dynamic gabor filter and dynamic gaussian detector[J]. EURASIP Journal on Image and Video Processing, 2010: 1-22.
    [12] Wu M, Zhou Z, Zhao L, et al. A fast and memory-saving algorithm for sequence-based image registration[J]. High Power Laser and Particle Beams, 2012, 24(5): 1038-1042. (in Chinese)
    [13] Hartley R, Zisserman A. Multiple View Geometry in Computer Vision[M]. 2nd ed. UK: Cambridge University Press, 2004.
  • [1] 蒋昕昊, 蔡伟, 杨志勇, 徐佩伟, 姜波.  基于YOLO-IDSTD算法的红外弱小目标检测 . 红外与激光工程, 2022, 51(3): 20210106-1-20210106-10. doi: 10.3788/IRLA20210106
    [2] 张景程, 乔新博, 赵永强.  红外偏振摄像机动目标检测跟踪系统(特邀) . 红外与激光工程, 2022, 51(4): 20220233-1-20220233-10. doi: 10.3788/IRLA20220233
    [3] 王中军, 晁艳锋.  采用SURF特征和局部互相关信息的图像配准算法 . 红外与激光工程, 2022, 51(6): 20210950-1-20210950-6. doi: 10.3788/IRLA20210950
    [4] 赵慧洁, 张晓元, 贾国瑞, 邱显斐, 翟亮.  运动补偿下双通道星载高光谱成像仪图像配准 . 红外与激光工程, 2021, 50(3): 20211022-1-20211022-9. doi: 10.3788/IRLA20211022
    [5] 魏豪, 张凯, 郑磊, 曹源, 张丁文.  基于HOG-RCNN的电力巡检红外图像目标检测 . 红外与激光工程, 2020, 49(S2): 20200411-20200411. doi: 10.3788/IRLA20200411
    [6] 南天章, 耿建君, 陈旭, 陈颖.  基于邻域特征的红外低慢小目标检测 . 红外与激光工程, 2019, 48(S1): 174-180. doi: 10.3788/IRLA201948.S128002
    [7] 荆滢, 齐乃新, 杨小冈, 卢瑞涛.  基于LK和FAST的时间序列图像快速配准算法 . 红外与激光工程, 2018, 47(11): 1126006-1126006(9). doi: 10.3788/IRLA201847.1126006
    [8] 王志强, 程红, 谭海峰, 杨明权, 滕飞.  基于侧抑制竞争的航空遥感影像配准算法 . 红外与激光工程, 2018, 47(S1): 206-212. doi: 10.3788/IRLA201847.S126005
    [9] 陈善静, 康青, 顾忠征, 王正刚, 沈志强, 蒲欢, 辛颖.  基于三维GMRF的高光谱图像空天融合目标检测 . 红外与激光工程, 2016, 45(S2): 132-139. doi: 10.3788/IRLA201645.S223003
    [10] 刘峰, 奚晓梁, 沈同圣.  基于最大值投影和快速配准的空间小目标检测 . 红外与激光工程, 2016, 45(11): 1104002-1104002(6). doi: 10.3788/IRLA201645.1104002
    [11] 王晓飞, 王霄衣, 史翔宇, 阎秋静, 陈向南.  基于空间上下文单类分类器的目标检测算法 . 红外与激光工程, 2015, 44(S1): 236-240.
    [12] 孙照蕾, 惠斌, 秦莫凡, 常铮, 罗海波, 夏仁波.  红外图像显著目标检测算法 . 红外与激光工程, 2015, 44(9): 2633-2637.
    [13] 王志强, 程红, 杨桄, 李成, 吴迪.  全局图像配准的目标快速定位方法 . 红外与激光工程, 2015, 44(S1): 225-229.
    [14] 刘晓诚, 薛模根, 黄勤超, 王峰.  基于矩阵恢复的红外偏振图像分区配准算法 . 红外与激光工程, 2014, 43(8): 2733-2739.
    [15] 何林阳, 刘晶红, 李刚, 刘剑.  改进BRISK特征的快速图像配准算法 . 红外与激光工程, 2014, 43(8): 2722-2727.
    [16] 韩艳丽, 刘峰.  基于三角形匹配的空间小目标检测算法 . 红外与激光工程, 2014, 43(9): 3134-3140.
    [17] 刘志刚, 卢云龙, 魏一苇.  有监督的高光谱图像伪装目标检测方法 . 红外与激光工程, 2013, 42(11): 3076-3081.
    [18] 黎志华, 李新国.  基于OpenCV的红外弱小运动目标检测与跟踪 . 红外与激光工程, 2013, 42(9): 2561-2565.
    [19] 彭晨, 陈钱, 钱惟贤, 徐富元.  复杂地面场景下的红外运动目标跟踪 . 红外与激光工程, 2013, 42(6): 1410-1414.
    [20] 张德新, 马广富, 邵晓巍.  利用目标直线边缘交点的某型航侦CCD相机图像拼接 . 红外与激光工程, 2012, 41(1): 234-238.
  • 加载中
计量
  • 文章访问数:  262
  • HTML全文浏览量:  28
  • PDF下载量:  146
  • 被引次数: 0
出版历程
  • 收稿日期:  2012-12-13
  • 修回日期:  2013-01-15
  • 刊出日期:  2013-08-25

针对运动摄像机的快速低存储开销运动目标检测算法

    作者简介:

    吴明军(1984-),男,工程师,博士,主要从事目标检测、跟踪与模式识别方面的研究。Email:wumingjun@gmail.com

基金项目:

中国空空导弹研究院青年创新基金(CQKJJ00)

  • 中图分类号: TP391

摘要: 摄像机的运动会导致整幅图像的运动,使得此情形下的目标检测极具挑战性。针对该问题提出一种快速低存储开销检测算法。首先,利用一种快速低存储开销配准方法计算相邻两帧的单应变换矩阵。而后,使用单应变换矩阵进行相邻两帧之间的配准,并由帧间差分获取帧间运动信息。最后,采用积累运动信息的方式构造不断更新的运动图像,通过对此运动图像进行阈值分割分离出最终的运动目标。在多个不同视频序列下的实验表明该算法能够有效地从嘈杂的场景中检测出运动目标。此外,与先前算法相比,该算法检测性能更好,且显著地降低了存储开销与计算时间开销。对于480360的序列而言,该算法需要的存储开销仅为825 kByte,且运算速度达到16帧/m。

English Abstract

参考文献 (13)

目录

    /

    返回文章
    返回